5.2.3  基于密度的聚类算法

基于密度的聚类算法弥补了划分聚类算法和层次聚类算法的不足，不仅可以处理凸形簇的聚类，而且可以处理任意形状簇的聚类，该算法依据图像中数据集密度的相似度，把密度相近的数据集划分为一个簇，反之，把密度不接近的数据集划分为不同的簇，从而完成聚类的目的。常用的基于密度的聚类算法有DBSCAN算法、DENCLUE算法以及OPTICS算法等。DBSCAN算法通过图像中对象集合的每个对象的特定邻域来确定簇的区域，该算法的聚类结果不受数据输入顺序的影响，但此算法在执行的时候，需要事先知道图像中确定输入的聚类参数，但由于现实中的高维数据集不容易确定出聚类参数，因此该方法具有一定的局限性；DENCLUE算法依据图像中数据集的影响函数来计算数据空间的整体密度，接着确定出密度吸引点并寻找到确定的各个簇的区域而完成聚类的目的，但是该算法受聚类参数的影响较大，往往参数值的轻微变化会引发差别较大的聚类结果；OPTICS算法可以自动、交互地算出图像中簇的次序，并且此次序表示数据集的聚类结构，但是由于该算法所确定的聚类结构是从一个宽泛的参数所设置的范围中所获得，因此该算法不能产生一个数据集的合簇，因而聚类结果不太理想。