中文摘要：

进行该项目的研究目的和意义在于第一、将人脑选择性注意机制与复杂聚类分析研究结合起来，丰富和发展聚类分析方向的理论体系；第二、从技术层面上设计快速高效的适用于复杂结构的自发选择聚类框架，推动聚类研究在模式识别、计算机视觉等多学科领域的应用发展。本项目研究的预期成果是(1)结合人脑选择性注意机制，生成提取数据依赖的显著特征；(2)构建通用性较强的数据结构显著性映射；(3)深入分析现有完全聚类方法的优缺点，嵌入数据结构显著性映射，设计新的自发性选择聚类方法，降低其各自算法对复杂数据的聚类时间，并改善其各自原有算法的聚类性能，拓宽聚类研究的实际应用范围。

结论摘要：

基于人脑“自发性”选择机制的原理，本课题主要 1. 提出了一个多层核心凝聚聚类算法，针对复杂结构的数据获得有效的聚类结果，克服了传统聚类算法单一依赖于某个或几个聚类中心选取的缺陷；并且，随着数据规模逐层减少，聚类速度迅速减少，因此算法收敛也有保证，能对大规模数据集进行聚类。最后，实验结果也表明，逐层凝聚聚类具备一定的抗噪声能力，最终聚类结果受噪声数据影响较小；能发现各种形状的聚类。 2. 提出一个融合多个视觉显著性因素的概率框架算法，针对大量自然图像进行目标分割和检测，强强联合了多种显著性因素的作用，取长补短，弥补了单一显著性因素（如局部对比度、稀有性、中央偏置等）的短处，能较好地发现图像中的显著目标。置三大模块于一个整体的Bayesian学习框架中，针对自然场景预测哪些是显著部分，哪些是视觉关注点。相较于其它单一模块的方法，实验结果更接近于人们“自发”关注的区域，例如，人眼、鼻子部分。实验结果也表明，不管图像中显著目标在哪里，不管图像中是否目标与背景对比度较小，不管图像中目标是否占有图像一半以上大小，算法都能较好地将目标凸显出来； 3. 提出了一个巧妙利用视觉显著性，针对路面裂缝进行有效检测的算法。路面裂缝复杂多样，很多都是路面情况和裂缝之间的灰度对比度非常小，导致本来连通的裂缝似乎“断裂”，常规检查方法对此往往显得束手无策。为此，针对图像区域间的局部对比度和灰度稀有性等显著特征，提出一个新颖的无监督方法，使其能够融合相邻“可能”裂缝像素间的局部连通性，最终得到比现有方法更为准确的检测结果。 4. 提出了一个不依赖于聚类中心的模糊分割算法。出发点在于，常规的模糊算法应用于图像分割时，非常依赖于初始聚类中心的设置；然而，自然图像中目标千变万化，形态各异，很多没有一个规则的聚类中心存在。因此，提出无需聚类中心的模糊算法，针对现有经典算法的分割结果进行逐步合并，最终获得分割结果，应该更为合理。大量实验结果也表明，对一些较为复杂的动物，不管其姿态如何，算法都能较为理想地将目标分割出来。