肤色在各颜色空间的聚类分析
摘要肤色是人体表面最显著的特征之一。对不同肤色在RGB、YCbCr颜色空间内和同一肤色在不同亮度环境下的聚类情况进行深入的分析研究,发现肤色在YCbCr空间内聚类效果更好,更适合做肤色分割。然后在此基础上对黑色肤色、黄色肤色及白色肤色在YCbCr空间内进行肤色分割,达到较好的分割效果。
关键词肤色;颜色空间;肤色分割;YCbCr空间
肤色是人体表面最显著的特征之一,由于它对姿势、旋转、表情等变化不敏感,因此将人体的肤色特征应用于人脸检测与识别、表情识别、手势识别具有很大的优势,所以肤色特征是人脸识别、表情识别、与手势识别中最为常用的分割方法。然而,若要利用肤色进行分割,我们首先应该对肤色以及肤色的聚类情况进行分析。
世界上的人种主要有三种,即尼格罗—澳大利亚人种(黑色皮肤),蒙古人种(黄色皮肤),欧罗巴人种(白色皮肤)。尽管人的肤色因人种的不同而不同,呈现出不同的颜色,但是有学者指出:排除亮度、周围环境等对肤色的影响后,皮肤的色调基本一致。本文对在不同环境下的不同肤色进行取样,然后分别在RGB、YCbCr颜色空间进行统计,从而对比分析肤色在各颜色空间聚类的情况。
1肤色在各颜色空间的聚类比较
1.1不同肤色在RGB和YCbCr颜色空间上的分布
图1—图2给出了黄色、黑色和白色肤色分别在RGB、YCbcr空间的分布情况。
由图1—图2可以得出,不同肤色在RGB、YCbCr空间的分布有如下特征:
1)不同肤色在不同颜色空间均分布在很小的范围内。
2)不同肤色在不同颜色空间内不是随机分布,而是在某固定区域呈聚类分布。
3)不同肤色在YCbCr空间内分布的聚类状态要好于在RGB空间内分布的聚类状态。
4)不同肤色在亮度上的差异远远高于在色度上的差异。
1.2肤色在不同亮度下的分布
图3—图4给出了不同亮度下的同一肤色分别在RGB、YCbCr空间的分布情况。图(a)至图(d)的肤色来源于同一人在不同亮度下的照片。
空间聚类的研究现状及其应用＊ 戴晓燕1 过仲阳1 李勤奋2 吴健平1 (1华东师范大学教育部地球信息科学实验室 上海 200062) (2上海市地质调查研究院 上海 200072) 摘 要 作为空间数据挖掘的一种重要手段,空间聚类目前已在许多领域得到了应用。文章在对已有空间聚类分析方法概括和总结的基础上,结合国家卫星气象中心高分辨率有限区域分析预报系统产品中的数值格点预报(HLAFS)值,运用K-均值法对影响青藏高原上中尺度对流系统(MCS)移动的散度场进行了研究,得到了一些有意义的结论。 关键词 空间聚类 K-均值法 散度 1 前言 随着GPS、GI S和遥感技术的应用和发展,大量的与空间有关的数据正在快速增长。然而,尽管数据库技术可以实现对空间数据的输入、编辑、统计分析以及查询处理,但是无法发现隐藏在这些大型数据库中有价值的模式和模型。而空间数据挖掘可以提取空间数据库中隐含的知识、空间关系或其他有意义的模式等[1]。这些模式的挖掘主要包括特征规则、差异规则、关联规则、分类规则及聚类规则等,特别是聚类规则,在空间数据的特征提取中起到了极其重要的作用。 空间聚类是指将数据对象集分组成为由类似的对象组成的簇,这样在同一簇中的对象之间具有较高的相似度,而不同簇中的对象差别较大,即相异度较大。作为一种非监督学习方法,空间聚类不依赖于预先定义的类和带类标号的训练实例。由于空间数据库中包含了大量与空间有关的数据,这些数据来自不同的应用领域。例如,土地利用、居住类型的空间分布、商业区位分布等。因此,根据数据库中的数据,运用空间聚类来提取不同领域的分布特征,是空间数据挖掘的一个重要部分。 空间聚类方法通常可以分为四大类:划分法、层次法、基于密度的方法和基于网格的方法。算法的选择取决于应用目的,例如商业区位分析要求距离总和最小,通常用K-均值法或K-中心点法;而对于栅格数据分析和图像识别,基于密度的算法更合适。此外,算法的速度、聚类质量以及数据的特征,包括数据的维数、噪声的数量等因素都影响到算法的选择[2]。 本文在对已有空间聚类分析方法概括和总结的基础上,结合国家卫星气象中心高分辨率有限区域分析预报系统产品中的数值格点预报(HLAFS)值,运用K-均值法对影响青藏高原上中尺度对流系统(MCS)移动的散度场进行了研究,得到了一些有意义的结论。 2 划分法 设在d维空间中,给定n个数据对象的集合D 和参数K,运用划分法进行聚类时,首先将数据对象分成K个簇,使得每个对象对于簇中心或簇分布的偏离总和最小[2]。聚类过程中,通常用相似度函数来计算某个点的偏离。常用的划分方法有K-均值(K-means)法和K-中心(K-medoids)法,但它们仅适合中、小型数据库的情形。为了获取大型数据库中数据的聚类体,人们对上述方法进行了改进,提出了K-原型法(K-prototypes method)、期望最大法EM(Expectation Maximization)、基于随机搜索的方法(ClAR ANS)等。 K-均值法[3]根据簇中数据对象的平均值来计算 ——————————————— ＊基金项目:国家自然科学基金资助。(资助号: 40371080) 收稿日期:2003-7-11 第一作者简介:戴晓燕,女,1979年生,华东师范大学 地理系硕士研究生,主要从事空间数 据挖掘的研究。 · 41 · 2003年第4期 上海地质 Shanghai Geology
浅论展示设计中的空间及色彩设计 摘要：在现代社会中，“信息”成为人们关注的焦点。展示作为一种时空艺术和销售艺术，他不仅能传播信息，创造财富，还能陶冶情操，在现代设计领域扮演者愈来愈重要的角色。而展示设计中的空间设计及色彩设计更是贯穿展示设计的始终，在整个展示设计活动中有着举足轻重的地位。 关键词：展示设计；空间设计；色彩设计； 一、展示设计概念 展示设计的概念有广义和狭义之分。广义的展示设计是指以招引、传递和沟通为主要目的，进行有计划的形象宣传和为宣传所做的环境设计。狭义的展示设计是指在既定的时间和空间范围内，使用特定的艺术设计语言，通过对空间与平面的精心创造，使其产生独特的空间氛围，并将一定量的信息内容告示与公众，使观众能参与其中，以期在观众的心理、精神与行为方面产生有意识或潜在的影响，对此进行的综合创造过程。 由概念可以看出，展示设计首先是一项活动，而且是有计划的，是以招引、传递和沟通为主要目的；其次展示设计是使用特定的艺术设计语言，进行形象宣传和为宣传所做的环境设计的综合创造过程。综上我们可以推断出一个好的展示设计必是一个复杂和充满挑战的活动，如果没有一定的理论知识和设计思维，所谓“展示设计”也就无从谈起。 二、展示设计中的构成要素 展示设计涉及到空间设计、人机工程学设计、色彩设计、照明设计、道具设计、视觉系统设计、广告学、物流、心理学等一系列相关学科。上述方向构成了展示设计的构成要素，各要素之间相互交织在一起，设计师可以在这些元素间灵活互动。 总之，展示设计是一项复杂、高难度的综合创造过程。要想做好一个优秀的展示设计，设计师就必须全面处理好展示设计与各相关学科，以及各学科之间的关系，就必须博学多才，全面查阅，不断学习，提高自己的业务水平和创造能力。下面，我将主要从空间设计和色彩设计与展示设计的关系来进行一下简单的解析。
聚类分析 聚类分析是研究“物以类聚”的一种多元统计方法。国内有人称它为群分析、点群分析、簇群分析等。 聚类分析的基本概念 聚类分析是研究对样品或指标进行分类的一种多元统计方法,是依据研究对象的个体的特征进行分类的方法。它把分类对象按一定规则分成若干类，这些类非事先给定的，而是根据数据特征确定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中趋向于不相似。它职能是建立一种能按照样品或变量的相似程度进行分类的方法。 聚类分析的基本思想是认为我们所研究的样本或指标（变量）之间存在着程度不同的相似性（亲疏关系）。于是根据一批样本的多个观测指标，具体找出一些彼此之间相似程度较大的样本（或指标）聚合为一类，把另外一些彼此之间相似程度较大的样本（或指标）又聚合为另一类，关系密切的聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有样本（或指标）都聚合完毕，把不同的类型一一划分出来，形成一个由小到大的分类系统。最后把整个分类系统画成一张谱系图，用它把所有样本（或指标）间的亲疏关系表示出来。这种方法是最常用的、最基本的一种，称为系统聚类分析。 聚类分析有两种：一种是对样本的分类，称为Q型，另一种是对变量（指标）的分类，称为R型。 聚类分析给人们提供了丰富多彩的方法进行分类，这些方法大致可以归纳为： （1）系统聚类法。首先将n个也样品看成n类（一个类包含一个样品），然后将性质最接近的两类合并成一个新类，我们得到n-1类，再从中找出最接近的两类加以合并成了n-2类，如此下去，最后所有的样品均在一类，将上述并类过程画成一张图（称为聚类图）便可决定分多少类，每类各有什么样品。 （2）模糊聚类法。将模糊数学的思想观点用到聚类分析中产生的方法。该方法多用于定型变量的分类。 （3）K—均值法。K—均值法是一种非谱系聚类法，它是把样品聚集成k个类的集合。类的个数k可以预先给定或者在聚类过程中确定。该方法可用于比系
聚类分析方法 方法介绍 聚类分析 (Clauster Analysis) 数值分类法的一种，在社会应用中称类型学。 Robert Tryon于1939年提出的一种心理学研究方法。 目的:用数量关系对事物进行分类。 对于可以用某些数量描述的事物，采用样本间的距离来将性质接近的事物归为一类，从而达到对事物的分析和评价。 聚类分析作分类时各类群乃至类群数事先未知，而是根据数据的特征确定的，又称为无师可循的分类。 一般分为逐步聚类、系统聚类和其它方法。 16种饮料的热量、咖啡因、钠及价格四种变量 数据示例 聚类分析(cluster analysis) 对于一个数据，人们既可以对变量(指标)进行分类(相当于对数据中的列分类)，也可以对观测值(事件、样品)来分类(相当于对数据中的行分类)。 比如学生成绩数据就可以对学生按照理科或文科成绩(或者综合考虑各科成绩)分类。 当然，并不一定事先假定有多少类，完全可以按照数据本身的规律来分类。 如何度量远近, 如果想要对100个学生进行分类，如果仅仅知道他们的数学成绩，则只好按照数学成绩来分类;这些成绩在直线上形成100个点。这样就可以把接近的点放到一类。
如果还知道他们的物理成绩，这样数学和物理成绩就形成二维平面上的100 个点，也可以按照距离远近来分类。 三维或者更高维的情况也是类似;只不过三维以上的图形无法直观地画出来而已。在饮料数据中，每种饮料都有四个变量值。这就是四维空间点的问题了。 如果以n个数值型变量(n维空间)来描述某一类事物，则一个事物就是n维空间中是一个点。 Y X Z 1>. . . . . . . . . . . . . .
肤色在各颜色空间的聚类分析 摘要肤色是人体表面最显著的特征之一。对不同肤色在RGB、YCbCr颜色空间内和同一肤色在不同亮度环境下的聚类情况进行深入的分析研究,发现肤色在YCbCr空间内聚类效果更好,更适合做肤色分割。然后在此基础上对黑色肤色、黄色肤色及白色肤色在YCbCr空间内进行肤色分割,达到较好的分割效果。 关键词肤色;颜色空间;肤色分割;YCbCr空间 肤色是人体表面最显著的特征之一,由于它对姿势、旋转、表情等变化不敏感,因此将人体的肤色特征应用于人脸检测与识别、表情识别、手势识别具有很大的优势,所以肤色特征是人脸识别、表情识别、与手势识别中最为常用的分割方法。然而,若要利用肤色进行分割,我们首先应该对肤色以及肤色的聚类情况进行分析。 世界上的人种主要有三种,即尼格罗—澳大利亚人种(黑色皮肤),蒙古人种(黄色皮肤),欧罗巴人种(白色皮肤)。尽管人的肤色因人种的不同而不同,呈现出不同的颜色,但是有学者指出:排除亮度、周围环境等对肤色的影响后,皮肤的色调基本一致。本文对在不同环境下的不同肤色进行取样,然后分别在RGB、YCbCr颜色空间进行统计,从而对比分析肤色在各颜色空间聚类的情况。 1肤色在各颜色空间的聚类比较 1.1不同肤色在RGB和YCbCr颜色空间上的分布 图1—图2给出了黄色、黑色和白色肤色分别在RGB、YCbcr空间的分布情况。 由图1—图2可以得出,不同肤色在RGB、YCbCr空间的分布有如下特征: 1)不同肤色在不同颜色空间均分布在很小的范围内。 2)不同肤色在不同颜色空间内不是随机分布,而是在某固定区域呈聚类分布。 3)不同肤色在YCbCr空间内分布的聚类状态要好于在RGB空间内分布的聚类状态。 4)不同肤色在亮度上的差异远远高于在色度上的差异。 1.2肤色在不同亮度下的分布 图3—图4给出了不同亮度下的同一肤色分别在RGB、YCbCr空间的分布情况。图(a)至图(d)的肤色来源于同一人在不同亮度下的照片。
聚类分析的方法 一、系统聚类法 系统聚类分析法就是利用一定的数学方法将样品或变量（所分析的项目）归并为若干不同的类别（以分类树形图表示），使得每一类别内的所有个体之间具有较密切的关系，而各类别之间的相互关系相对地比较疏远。系统聚类分析最后得到一个反映个体间亲疏关系的自然谱系，它比较客观地描述了分类对象的各个体之间的差异和联系。根据分类目的不同，系统聚类分析可分为两类：一类是对变量分类，称为R型分析；另一类是对样品分类，称为Q型分析。系统聚类分析法基本步骤如下（许志友，1988）。 （一）数据的正规化和标准化 由于监测时所得到的数值各变量之间相差较大，或因各变量所取的度量单位不同，使数值差别增大，如果不对原始数据进行变换处理，势必会突出监测数据中数值较大的一些变量的作用，而消弱数值较小的另一些变量的作用，克服这种弊病的办法是对原始数据正规化或标准化，得到的数据均与监测时所取的度量单位无关。 设原始监测数据为Xij (i＝1，2，…，n；j＝1，2，…，m；n为样品个数，m为变量个数)，正规化或标准化处理后的数据为Zij (i＝1，2，…，n；j＝1，2，…，m)。 1. 正规化计算公式如下： （7-32） （i＝1，2，…，n；j＝1，2，…，m） 2. 标准化计算公式如下： （7-33） （i＝1，2，…，n；j＝1，2，…，m） 其中：
（二）数据分类尺度计算 为了对数据Zij进行分类，须对该数据进一步处理，以便从中确定出分类的尺度，下列出分类尺度计算的四种方法。 1.相关系数R 两两变量间简单相关系数定义为： （7-34） （i，j＝1，2，…，m） 其中 一般用于变量的分类（R型）。有一1≤≤1且愈接近1时，则此两变量愈亲近， 愈接近-1，则关系愈疏远。 2.相似系数 相似系数的意义是，把每个样品看做m维空间中的一个向量，n个样品相当于m维空间中的n个向量。第i个样品与第j个样品之间的相似系数是用两个向量之间的夹角余弦来定义，即：
摘要 公共空间设计一般在强调设计的功能性及实用性的同时，也愈加重视设计的人性化和审美情趣，公共空间中色彩的表现必不可少。本文简要分析了色彩在公共空间设计中的设计基本要求及其在公共空间中的表现。得出结论：色彩是公共空间设计中的重要元素。 关键词：公共空间；色彩；色彩表现；基本要求；
Abstract General public space design with emphasis on the functional design and practical at the same time, also more and more attention to the design of human nature and aesthetic temperament and interest, the public space of the colour performance is necessary. This paper briefly analyzes the basic requirements in the design of public space design color and its performance in the public space. Concluded that the color is important elements in the design of public space. Key words: public space。 Color。 Colour performance。 The basic requirements。
展示空间色彩的重要性 色彩是商业空间设计中的灵魂，并不是单一、孤立的存在的，各具功能特点的色彩会彼此影响，只有遵循一些基本的原则，才能更好地使色彩服务于整体的空间设计，达到更完美的效果，创造出充满情调、和谐舒适的商业空间 摘要：现代商业空间设计一般在强调设计的功能性及实用性的同时，也愈加重视设计的人性化和审美情趣，色彩在现代设计中发挥着重要作用， 展示空间色彩的重要性。本文简要分析了色彩在商业空间设计中的重要性及其作用。 关键词：商业空间色彩属性色彩情感 色彩是设计中最具表现力和感染力的因素，特别是在艺术设计领域，它是强度最大的视觉符号。因此基于其不可替代的特征，我们如何在商业空间设计中去正确运用色彩是值得探讨的。 一、色彩在商业空间中的重要作用 科学家对人类眼球活动的研究显示，人对颜色的反应最快，在形状和色彩同时并存的前提下，首先为人眼所接受的是色彩，其次才是形状。商业空间主要是指办公、销售与服务场所，也包括产品的陈列与展示空间。色彩作为设计整体的重要因素与组成部分，具有审美性和功能性的双重作用。在商业空间中，色彩不仅对人们的视觉环境产生影响，还直接影响着人们的情绪和心理，并在一定的程度上影响着人们的活动行为，从而满足人们的物质与精神生活的双重需要。 二、商业空间设计中色彩的属性和功能性的体现 色彩之所以如此美丽，就是因为颜色之间存在着丰富的对比关系。而颜色的形象又是由色彩的要素决定的，因此色彩的三要素十分重要，即色相、明度和纯度。商业空间设计中可以利用色彩属性来营造气氛。同一色相的颜色，可以用明度的变化产生对比；同一明度的颜色，也可以用不同色相或纯度产生对比。为了增加空间色彩的活跃气氛，也可使用对比色或补色。使用高明度色彩可获得光彩夺目的气氛；使用低明度的色彩和灯光，往往给人一种温馨的感觉；使用纯度较高鲜艳的色彩则可获得一种愉悦的空间气氛；而使用纯度较低的灰色调可以给人安静和祥和的空间氛围，色彩同时也是一种语言，通过不同的色彩语言，表达不同的色彩功能。 三、商业空间中色彩的物理、生理、心理效应 色彩是一种物理现象，通过人们的视觉感受产生一系列的生理、心理和类似物理的效应，形成丰富的联想、深刻的寓意和象征，如冷暖、远近、轻重、大小等，这不但是由于物体本身对光的吸引和反射不同的结果，而且还存在着物体相互间作用所形成的错觉。另一方面，色彩在对人产生各种生理反应的同时也会引起不同的心理联想，如庄严、轻快、刚强、柔和、富丽、简朴等，造成不同的心理反应。认识这些不同的心理反应的现象，是进行色彩设计必不可少的工作。 四、商业空间中色彩的情感 自然和社会中不同的现象会引起不同的色彩变化，使人们产生多样的联想，从而在生活中逐渐形成了对色彩特定的心理反映。色彩情感的产生，不是色彩本身具备的功能，而是人们赋予了色彩的某种文化特征，这种特征使人们对色彩产生一种经验性的好恶，每当看到这种色彩，就会本能的想起这类色彩所代表的事物或事件，继而心理上会对色彩产生某种感情，
1商业空间展示设计基础 1.1商业空间展示设计概念 商业空间展示艺术就是以展示商品为表现中心，运用各种艺术及科学的设计手段，利用各种媒体对展示商品的展示环境进行创意策划、设计及实施的工作过程。随着社会的发展和科技文化的不断进步，展示艺术与人们生活中的地位愈来愈密不可分，它不但逐步成为各种贸易相互合作相互交流的桥梁，还是展示科技、文化推广的窗口，在我们如今社会各项领域中变得不可替代，像一台精彩的演出，人们各自努力地通过商业空间展示设计表现自己国家的民族特色、文化精彩及科技发展。 1.2商业空间展示设计的意义 展示设计是视觉传播，也是环境艺术、空间艺术。展示空间视觉效果是为特定的商品按特定的主题和目的将图像、图形、符号等，通过在空间的传播，展现给顾客的视觉形态。展示设计的图形是由一些形状、符号等抽象形态构成，如空间的形态、版式形态，光影形态、识别符号等；图像是客观的、具体的、真实的展示形态，如实物、照片、影像等。随着科技的进步，多媒体、互联网不仅改变了人们的生活习惯，更改变了人们的视觉阅读习惯，把图形与图像的概念模糊化了，形成了新的视觉传播的模式，形式也愈加多元化、信息量也得到极大地释放，有限的空间形态转变成为无限的虚拟时空。图形、图像经过互相组合、变异，形成了新的语境信息交流形式，演变为新的艺术形态。而这些图形在经过多种媒介的组合以及艺术科技的处理，使得人们在环境空间中漫步浏览的同时，被设计者赢造的情景所深深的吸引，于是，展示的空间也就变成新型的大众文化传播场所。展示空间中平面化的图形，利用多媒体在通过色彩与光的作用，使人们在浏览的过程中获得传播的资料与信息。在展示空间中，通过图形与材料的构成、文字与图形的组合、版式的编排等，给人们提供了多种视觉形式。而视觉效果则是把图形、图像通过切割、分离、组合等设计手段进行重构，通过不同的媒介进行传播，使人们通过阅读图形的空间语言使其心理及生理产生欢愉感。 展示设计创造的空间形式给人们带来了美的体验与视觉上的享受。体现了空间意义的各种技术手段，是各学科的融汇点，如自动化电子屏幕显示，可控的灯
刘向民物流工程 S11085240007 聚类分析方法应用举例 多元统计,就是研究多个随机变量之间相互依赖关系以及内在统计规律性的一门统计学科。多元统计所包括的内容很多、但在实际统计分析中,聚类分析就是应用最广泛的方法之一。聚类分析(cluste:Analysis),就是研究分类问题的一种多元统计分析方法社会经济统计的分类问题,过去在传统方法上,主要就是结合一定的专业知识进行定性分类处理。由于定性分类主要就是靠经验完成,因而其结论难免带有较多的主观性与随意性,故不能很好地揭示客观事物内在的本质差别与联系。而聚类分析能带来定量上的分析可以解决这个问题,下面通过一些实例来描述聚类分析方法在应用上的体现; 1 基于聚类分析的安徽省物流需求研究 选取了分行业统计的年产值类指标构建物流需求指标体系(X组),具体指标包括:农业总产值(万元)(X1)、工业总产值(亿元)(X2)、建筑业总产值(万元)(X3)、社会消费零售总额(万元)(X4)、亿元商品市场成交额(万元)(X5)、进出口总额(万美元)(X6)。该指标体系通过农业、工业、建筑业、批发业、零售业及国际贸易的发生额较全面地反映了地区的物流需求情况。 2 研究方法 分类问题一般的解决法就是聚类分析或者因子分析基础上的聚类分析。由于本文最终期望得安徽省地级市物流需求分类情况,无需了解各个指标体系的内在系统结构,故选择聚类分析方法更简明。进行聚类分析时,本文采用的就是基于样本聚类的Q型系统聚类方法。 3研究过程与结果 3、1地区物流需求指标的聚类分析 由分析软件输出的聚类过程统计量如表1所示。可以瞧出,伪F统计量在归为4类及7类时较大,说明归为4类及7类时较好;伪T2统计量在1类、2类、3类时较大,由于伪T2大说明
空间聚类概念 空间聚类作为聚类分析的一个研究方向，是指将空间数据集中的对象分成由相似对象组成的类。同类中的对象间具有较高的相似度，而不同类中的对象间差异较大。作为一种无监督的学习方法，空间聚类不需要任何先验知识，比如预先定义的类或带类的标号等。由于空间聚类方法能根据空间对象的属性对空间对象进行分类划分，其已经被广泛应用在城市规划、环境监测、地震预报等领域，发挥着较大的作用。同时，空间聚类也一直都是空间数据挖掘研究领域中的一个重要研究分支。目前，己有许多文献资料提出了针对不同数据类型的多种空间聚类算法，一些著名的软件，如WEAK、SPSS、SAS等软件中已经集成了各种聚类分析软件包。 1 空间数据的复杂性 空间聚类分析的对象是空间数据。由于空间数据具有空间实体的位置、大小、形状、方位及几何拓扑关系等信息，使得空间数据的存储结构和表现形式比传统事务型数据更为复杂，空间数据的复杂特性表现： (1)空间属性间的非线性关系。由于空问数据中蕴含着复杂的拓扑关系，因此，空间属性间呈现出一种非线性关系。这种非线性关系不仅是空间数据挖掘中需要进一步研究的问题，也是空问聚类所面临的难点之一。 (2)空间数据的尺度特征。空间数据的尺度特征足指在不同的层次上，空间数据所表现出来的特征和规律都不尽相同。虽然在空间信息的概化和细化过程中可以利用此特征发现整体和局部的不同特点，但对空间聚类任务来说，实际上是增加了空间聚类的难度。 (3) 间信息的模糊性。空间信息的模糊性足指各种类型的窄问信息中，包含大量的模糊信息，如空问位置、间关系的模糊性，这种特性最终会导致空间聚类结果的不确定性。 (4)空间数据的高维度。空问数据的高维度性是指空间数据的属性(包括空间属性和非空间属性)个数迅速增加，比如在遥感领域，获取的空间数据的维度已经快速增加到几十甚至上百个，这会给空间聚类的研究增加很大的困难。 2 空间聚类算法 目前，研究人员已经对空间聚类问题进行了较为深入的研究，提出了多种算法。根据空间聚类采用的不同思想，空间聚类算法主要可归纳为以下几种：基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法、基于模型的聚类算法以及其它形式的聚类算法，如图l所示。 (1)基于划分的聚类 基于划分的聚类方法是最早出现并被经常使用的经典聚类算法。其基本思想是：在给定的数据集随机抽取n个元组作为n个聚类的初始中心点，然后通过不断计算其它数据与这几个中心点的距离(比如欧几里得距离)，将每个元组划分到其距离最近的分组中，从而完成聚类的划分。由于基于划分的聚类方法比较容易理解，且易实现，目前其已被广泛的弓l入到空间聚类中，用于空间数据的分类。其中最为常用的几种算法是：k一平均(k-means)算法、kl中心点(k—medoids)算法和EM(expectation maximization)算法。k一平均算法’使
系统聚类分析方法 聚类分析是研究多要素事物分类问题的数量方法。基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类。 常见的聚类分析方法有系统聚类法、动态聚类法和模糊聚类法等。 1. 聚类要素的数据处理 假设有m 个聚类的对象，每一个聚类对象都有个要素构成。它们所对应的要素数据可用表3.4.1给出。（点击显示该表）在聚类分析中，常用的聚类要素的数据处理方法有如下几种。 ①总和标准化 ②标准差标准化
③极大值标准化 经过这种标准化所得的新数据，各要素的极大值为1，其余各数值小于1。 ④极差的标准化 经过这种标准化所得的新数据，各要素的极大值为1，极小值为0，其余的数值均在0与1之间。 2. 距离的计算 距离是事物之间差异性的测度，差异性越大，则相似性越小，所以距离是系统聚类分析的依据和基础。 ①绝对值距离
选择不同的距离，聚类结果会有所差异。在地理分区和分类研究中，往往采用几种距离进行计算、对比，选择一种较为合适的距离进行聚类。
例：表3.4.2给出了某地区九个农业区的七项指标，它们经过极差标准化处理后，如表3.4.3所示。 对于表3.4.3中的数据，用绝对值距离公式计算可得九个农业区之间的绝对值距离矩阵：
3. 直接聚类法 直接聚类法是根据距离矩阵的结构一次并类得到结果。 ▲ 基本步骤： ①把各个分类对象单独视为一类； ②根据距离最小的原则，依次选出一对分类对象，并成新类；③如果其中一个分类对象已归于一类，则把另一个也归入该类；如果一对分类对象正好属于已归的两类，则把这两类并为一类；每一次归并，都划去该对象所在的列与列序相同的行；④那么，经过m-1次就可以把全部分类对象归为一类，这样就可以根据归并的先后顺序作出聚类谱系图。 ★直接聚类法虽然简便，但在归并过程中是划去行和列的，因而难免有信息损失。因此，直接聚类法并不是最好的系统聚类方法。 [举例说明]（点击打开新窗口，显示该内容） 例：已知九个农业区之间的绝对值距离矩阵，使用直接聚类法做聚类分析。 解： 根据上面的距离矩阵，用直接聚类法聚类分析：
2006年 8月第42卷 第4期北京师范大学学报(自然科学版) Jour nal of Beijing N ormal U niver sity (N atural Science )A ug.2006 V ol.42 N o.4 应用空间聚类进行点数据分布研究* 林冬云1) 刘慧平1,2,3)? (1)北京师范大学地理学与遥感科学学院;2)北京师范大学遥感科学国家重点实验室; 3)北京师范大学环境遥感与数字城市北京市重点实验室:100875,北京) 摘要 空间数据挖掘是寻找大数据量空间分布的重要方法,应用地理信息系统(G IS )进行空间数据挖掘是目前进行海量数据分析的重要手段之一.应用空间聚类方法对北京市海淀区54325个企业点数据进行量化分析研究,通过空间位置聚类,进行属性指标量化,从而进行属性指标分层聚类,得到企业空间分布特征.研究表明,空间聚类方法是进行点数据空间分布研究的有效方法. 关键词 空间聚类;企业分布;地理信息系统;量化 *国家自然科学基金资助项目(40271035);国家“十五”科技攻关课题资助项目(2003BA808A16-6) ?通讯作者 收稿日期:2005-11-23 随着数据获取和处理技术的迅速发展及数据库管 理系统的广泛应用,人们积累的数据越来越多,但在激增的数据背后隐藏着许多重要的信息,由于缺乏有效的方法,导致了一种“数据爆炸但知识贫乏”的现象[1],面对这一挑战,数据挖掘(data mining ,DM )和知识发现(know ledge discovery in database s ,KDD )技术应运而生并得到迅速发展,它的出现为自动和智能地把海量的数据转化成为有用的信息和知识提供了手段. 作为DM 技术一个新的分支,空间DM 也称基于空间数据库的数据挖掘和知识发现(spatial data mining and know ledge disco very ),是指从空间数据库中提取隐含的、用户感兴趣的空间和非空间的模式、普遍特征、规则和知识的过程[2]. 空间聚类方法是空间数据挖掘中的主要方法之一,是在一个比较大的多维数据集中根据距离的度量找出簇或稠密区域.聚类算法无需背景知识,能直接从空间数据库中发现有意义的空间聚类结构[3].在无先验知识的情况下,聚类分析技术是进行数据挖掘时的首选[4],因而运用空间数据聚类方法来处理海量数据,对于提取大型空间数据库中有用的信息和知识具有十分重要的现实意义. 目前,对于空间聚类的研究主要集中在算法研究和应用研究上,存在2种偏向,一是从事GIS 理论方法和技术工具研究的工作者大多根据空间对象的地理坐标进行聚类,即只考虑对象的空间邻近性,而不考虑对象属性特征的相似性[2,5];另一种是从事GIS 应用和地学研究的工作者,直接套用传统聚类分析方法,根据属性特征集进行分析,忽视了对象的空间邻近性[6]. 而空间对象本质上具有地理位置和属性特征双重含 义,二者结合才能完整地描述空间特征和空间差异.将地理位置和属性特征纳入统一的空间距离测度和空间聚类分析系统,将会改善空间分析和空间DM 的信息 质量[7-9] . 本文主要应用GIS 分析技术,采用空间DM 中的空间聚类方法,通过将空间位置与属性相结合的聚类方法,对北京市海淀区5万多个企事业单位的点分布数据进行分析,探讨对于属性是定性描述的点分布数据的量化方法. 1 研究区和数据来源 海淀区是北京市重要近郊区,占地面积大,人口众多,交通发达,存在着大量的居民和村民混居现象,是中心城市自上而下的扩散能力最强、城乡一体化程度最高、城乡联系最密切的地区,也是大都市空间扩展的主要地区[10]. 研究使用的数据来源是2001年北京市企业数据的统计表,经数字化处理生成企业单位点位分布图,按照数据文件中企业注册地址信息,结合参考北京市电子地图、北京市街道胡同地图集、北京市地图、网上北京市地图以及有关企事业单位的网站,将海淀区共计54325条记录生成5万多个企业的点分布图. 2 研究方法 应用GIS 提取企事业单位分布空间坐标,进行按位置距离聚类分析,获得位置聚类小区,然后进行属性指标的量化,应用聚类分析进行属性聚类,分析企事业
第一章Microarray 介绍 1.1 生物信息处理 基于对生物体“硬件”和“软件”的认识 ,提出暂时地撇开生物的物理属性 ,着重研究其信息属性 ,从而进入到生物信息处理 (关于生命硬件的信息和软件的信息 ,即生理信息和生命信息 )的一个分支 ,生物信息学。于是 ,为揭开生命之秘、揭示与生命现象相关的复杂系统的运作机制打开一条新的途径。 什么是生物信息处理 生物信息处理的英文是Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ。 1994年初 ,诺贝尔医学奖获得者美国教授Ｍ·罗德贝尔发表一篇评论 ,题为《生物信息处理 :评估环境卫生的新方法》。他认为生物信息处理是在基因数据库基础上 ,计算机驱动的能快速获得表达基因部分序列的方法。通过ＭＥＤＬＩＮＥ数据库 ,可以查阅到很多与生物信息处理 (Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ)有关的记录，其中ＪＦＡｉｔｏｎ认为生物信息处理是基于计算机的数据库和信息服务;ＲＰＭｕｒｒａｙ认为生物信息处理包括两方面：第一是大量现存数据的自动化处理 ,第二是新的信息资源的生成；ＤＢｅｎｔｏｎ在题为《生物信息处理———一个新的多学科工具的原理和潜力》的文章中说 ,生物信息处理的材料是生物学数据 ,其方法来自广泛的各种各样的计算机技术。其方法来自广泛的各种各样的计算机技术。近年来 ,生物学数据在爆炸式增长 ,新的计算机方法在不断产生。这些方法在结构生物学、遗传学、结构化药品和分子演变学中是研究工作进展的基础。如果生物医学工程要在各个领域都从研究进展中获取最大好处 ,那么生物学数据健全的基础设施的开发与维护是同等重要的。尽管生物信息处理已经作出重要贡献 ,但是在它成熟时就会面临更大的需求在爆炸式增长 ,新的计算机方法在不断产生。这些方法在结构生物学、遗传学、结构化药品和分子演变学中是研究工作进展的基础。如果生物医学工程要在各个领域都从研究进展中获取最大好处 ,那么生物学数据健全的基础设施的开发与维护是同等重要的。尽管生物信息处理已经作出重要贡献 ,但是在它成熟时就会面临更大的需求。
聚类分析原理及步骤 聚类分析原理及步骤——将未知数据按相似程度分类到不同的 类或簇的过程 1》传统的统计聚类分析方法包括系统聚类法、分解法、加入法、 动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用 k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名 的统计分析软件包中，如SPSS、SAS等。 典型应用 1》动植物分类和对基因进行分类 2》在网上进行文档归类来修复信息 3》帮助电子商务的用户了解自己的客户，向客户提供更合适 的服务 主要步骤 1》数据预处理——选择数量，类型和特征的标度((依 据特征选择和抽取)特征选择选择重要的特征，特征抽取把输入的特征转化 为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免“维数灾”进行聚类)和将孤立点移出数据(孤立点是不依附于一般数 据行为或模型的数据) 2》为衡量数据点间的相似度定义一个距离函数—— 既然相类似性是定义一个类的基础，那么不同数据之间在同一个特 征空间相似度的衡量对于聚类步骤是很重要的，由于特征类型和特 征标度的多样性，距离度量必须谨慎，它经常依赖于应用，例如， 通常通过定义在特征空间的距离度量来评估不同对象的相异性，很
多距离度都应用在一些不同的领域一个简单的距离度量，如 Euclidean距离，经常被用作反映不同数据间的相异性，一些有关相 似性的度量，例如PMC和SMC，能够被用来特征化不同数据的概 念相似性，在图像聚类上，子图图像的误差更正能够被用来衡量两 个图形的相似性 3》聚类或分组——将数据对象分到不同的类中【划分方法 (划分方法一般从初始划分和最优化一个聚类标准开始，Crisp Clustering和Fuzzy Clusterin是划分方法的两个主要技术，Crisp Clustering，它的每一个数据都属于单独的类;Fuzzy Clustering，它的每个数据可能在任何一个类中)和层次方法(基于某个标准产生一 个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分 离性用来合并和分裂类)是聚类分析的两个主要方法，另外还有基于 密度的聚类，基于模型的聚类，基于网格的聚类】 4》评估输出——评估聚类结果的质量(它是通过一个类有效索引来 评价，，一般来说，几何性质，包括类间的分离和类内部的耦合，一般都用来评价聚类结果的质量，类有效索引在决定类的数目时经常扮演 了一个重要角色，类有效索引的最佳值被期望从真实的类数目中获取，一个通常的决定类数目的方法是选择一个特定的类有效索引的最佳 值，这个索引能否真实的得出类的数目是判断该索引是否有效的标准，很多已经存在的标准对于相互分离的类数据集合都能得出很好的结 果，但是对于复杂的数据集，却通常行不通，例如，对于交叠类的集合。) 聚类分析的主要计算方法原理及步骤划分法 1》将数据集分割成K个组(每个组至少包
1、什么是聚类分析 聚类分析也称群分析或点群分析，它是研究多要素事物分类问题的数量方法，是一种新兴的多元统计方法，是当代分类学与多元分析的结合。其基本原理是，根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类。 聚类分析是将分类对象置于一个多维空问中，按照它们空问关系的亲疏程度进行分类。 通俗的讲，聚类分析就是根据事物彼此不同的属性进行辨认，将具有相似属性的事物聚为一类，使得同一类的事物具有高度的相似性。 聚类分析方法，是定量地研究地理事物分类问题和地理分区问题的重要方法，常见的聚类分析方法有系统聚类法、动态聚类法和模糊聚类法等。 2、聚类分析方法的特征 （1）、聚类分析简单、直观。 （2）、聚类分析主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析。 （3）、不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到分成若干类别的解。 （4）、聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响。 （5）、研究者在使用聚类分析时应特别注意可能影响结果的各个因素。 （6）、异常值和特殊的变量对聚类有较大影响，当分类变量的测量尺度不一致时，需要事先做标准化处理。 3、聚类分析的发展历程 在过去的几年中聚类分析发展方向有两个：加强现有的聚类算法和发明新的聚类算法。现在已经有一些加强的算法用来处理大型数据库和高维度数据，例如小波变换使用多分辨率算法，网格从粗糙到密集从而提高聚类簇的质量。 然而，对于数据量大、维度高并且包含许多噪声的集合，要找到一个“全能”的聚类算法是非常困难的。某些算法只能解决其中的两个问题，同时能很好解决三个问题的算法还没有，现在最大的困难是高维度(同时包含大量噪声)数据的处理。 算法的可伸缩性是一个重要的指标，通过采用各种技术，一些算法具有很好的伸缩
第7章色彩与照明在展示设计中的运用在展示设计的诸多因素中，色彩是最直观也最容易影响人心理活动的设计因素，色彩设计在其中有着特殊的地位和作用。展示空间设计中的色彩设计的成功与否，对参观者的视觉和心理感染力有着明显影响作用，因此色彩的重要性不言而喻。 第一节展示色彩设计的基本原理 一、展示色彩设计的基本原理 1. 色彩的形成 人们对色彩的感觉与生俱来，在观察事物的时候，首先引起视觉反应的即是色彩，其次感受到大致的形体，再次着眼于线，最后才聚焦于点进行细致观察。 英国科学家牛顿为我们揭开了这一谜底，他认为色彩是人的眼睛视网膜接受到光做出反应，在大脑中产生的某种感觉，阐述了光和色是并存的，没有光也就没有颜色，色彩就是光刺激人的眼睛的视觉反映。即不同波长的可见光投射到物体上，有一部分波长的光被吸收，一部分被反射到人的眼睛，经过视神经传递到大脑，形成对物体的色彩信息，即人的色彩感觉（见图5-1）。
图5-2 光色三原色加色混合原理图5-3 色料三原色减色混合原理 ２．色彩基本原理在展示设计中的应用 色彩形成混合被应用到展示色彩设计中，就形成了设计色彩，使得展示效果更加突出。展示色彩设计的关键是要认识色彩的分类、色彩的搭配、色彩的过渡和色彩的选择。根据颜色对人心理的影响，颜色分为暖、冷两大类色调。把以红、黄为主的色彩称为暖色调，把蓝、绿为主的颜色称为冷色调。色彩对人的心理产生重要作用，不同的年龄、性别、风俗习惯，对色彩的喜好不同，在展示设计中，选择不同的色彩营造情调、气氛和创造意境新奇感是非常有效的。 根据展示主题和展示时间来确定展场的色彩基调，是高调的，还是低调的；是暖调的，还是冷调的。比如对于一些展销性质的展示活动，则总是设计成贴近生活的活跃的高色调，刺激参观者的消费欲望，热烈交易气氛，促进场内交易的发生；一般商业性展示活动，大多采用中性、柔和、灰性色调，以突出展品，易于取得色彩上的和谐；对于一个历史性题材的展示来讲，在色彩上应以厚重、沉稳的低调为主，以反映一种沧桑的历史变迁，传统文化的凝重。根据展示性质和
聚类分析原理及步骤 ——将未知数据按相似程度分类到不同的类或簇的过程 1》传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多着名的统计分析软件包中，如SPSS、SAS 等。 典型应用 1》动植物分类和对基因进行分类 2》在网上进行文档归类来修复信息 3》帮助电子商务的用户了解自己的客户，向客户提供更合适 的服务 主要步骤 1》数据预处理——选择数量，类型和特征的标度（（依据特征选择和抽取）特征选择选择重要的特征，特征抽取把输入的特征转化为一个新的显着特征，它们经常被 用来获取一个合适的特征集来为避免“维数灾”进行聚类）和将孤立点移出数据（孤 立点是不依附于一般数据行为或模型的数据） 2》为衡量数据点间的相似度定义一个距离函数——既然相类似性是定义一个类的基础，那么不同数据之间在同一个特征空间相似度的衡量对于聚 类步骤是很重要的，由于特征类型和特征标度的多样性，距离度量必须谨慎，它 经常依赖于应用，例如，通常通过定义在特征空间的距离度量来评估不同对象的 相异性，很多距离度都应用在一些不同的领域一个简单的距离度量，如Euclidean 距离，经常被用作反映不同数据间的相异性，一些有关相似性的度量，例如PMC 和SMC，能够被用来特征化不同数据的概念相似性，在图像聚类上，子图图像的 误差更正能够被用来衡量两个图形的相似性
3》聚类或分组——将数据对象分到不同的类中【划分方法（划分方法一 般从初始划分和最优化一个聚类标准开始，Cris p Clustering和Fuzzy Clusterin是划 分方法的两个主要技术，Crisp Clustering，它的每一个数据都属于单独的类；Fuzzy Clustering，它的每个数据可能在任何一个类中）和层次方法（基于某个标准产生 一个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分离性用来合 并和分裂类）是聚类分析的两个主要方法，另外还有基于密度的聚类，基于模型的 聚类，基于网格的聚类】 4》评估输出——评估聚类结果的质量（它是通过一个类有效索引来评价，，一般 来说，几何性质，包括类间的分离和类内部的耦合，一般都用来评价聚类结果的质 量，类有效索引在决定类的数目时经常扮演了一个重要角色，类有效索引的最佳值 被期望从真实的类数目中获取，一个通常的决定类数目的方法是选择一个特定的类 有效索引的最佳值，这个索引能否真实的得出类的数目是判断该索引是否有效的标 准，很多已经存在的标准对于相互分离的类数据集合都能得出很好的结果，但是对 于复杂的数据集，却通常行不通，例如，对于交叠类的集合。） 聚类分析的主要计算方法原理及步骤 划分法 1》将数据集分割成K个组（每个组至少包含一个数据且每一个数据纪录属于且仅属于一个分组）， 每个组成为一类 2》通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好（标准就是：同一 分组中的记录越近越好，而不同分组中的纪录越 远越好，使用这个基本思想的算法有：K-MEANS 算法、K-MEDOIDS算法、CLARANS算法）层次法 1》“自底向上”方案——将每个数据单独作为一组，通过 反复迭代的方法，把那些相互邻近的组合并成一个组， 直到所有的记录组成一个分组或者某个条件满足为止，