昆明理工大学先进计算软件技术与应用云南省创新团队昆明理工大学计算机应用重点实验室 云南省天文学会2016年学术年会 2016 基于聚类的太阳光球亮点的分类研究 报告人：张艾丽 导 师：杨云飞 昆明理工大学先进计算软件技术与应用云南省创新团队昆明理工大学计算机应用重点实验室
由于光球亮点尺度小、边缘结构不明显等原因，在识别中不可避免地会将一部分发亮的碎米粒误识别为亮点。 图像预处理 预选亮点 筛选亮点 研究背景 亮点识别 由于光球亮点尺度小、边缘结构不明显等原因，在识别中不可避免地会将一部分发亮的碎米粒误识别为亮点。 研究方法 聚类数据对象处理 PCA降维 亮点跟踪 贡献率与主成分的关系 连续100帧亮点的三维结构 亮点特征值提取 zscore法标准化数据
K-means算法分类出的噪声点数为29，其中有23个满足噪声点的要求。 亮点的分类 K-means分类结果 分类结果在二维图中显示 原图 K-means算法分类 K-means分类在三维立方体显示 K-means演化标记图 原图 K-means算法分类出的噪声点数为29，其中有23个满足噪声点的要求。
DBSCAN算法分类出的噪声点数为38，满足要求的有20个。 亮点的分类 DBSCAN算法分类 DBSCAN分类结果 原图 分类结果在二维图中显示 DBSCAN分类在三维立方体显示 DBSCAN演化标记图 原图 DBSCAN算法分类出的噪声点数为38，满足要求的有20个。
1. 两种聚类算法均能有效地分类出亮点结构和非亮点结构，K-means算法的误差远远小于DBSCAN算法。因此，K-means算法比DBSCAN算法更适合分类出非亮点结构。 2. 使用这两种算法存在的问题：对阈值和参数的选取有较大的依赖性，仍有误差存在。 结论 谢谢