Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Fuzzy Kernel K-Nearest Neighbor Algorithm for Image Segmentation

영상 분할을 위한 퍼지 커널 K-nearest neighbor 알고리즘

  • 최병인 (한양대학교 전자전기제어계측공학과) ;
  • 이정훈 (한양대학교 전자전기제어계측공학과)
  • Published : 2005.12.01
Download PDF
⟨ Previous Next ⟩

Abstract

Kernel methods have shown to improve the performance of conventional linear classification algorithms for complex distributed data sets, as mapping the data in input space into a higher dimensional feature space(7). In this paper, we propose a fuzzy kernel K-nearest neighbor(fuzzy kernel K-NN) algorithm, which applies the distance measure in feature space based on kernel functions to the fuzzy K-nearest neighbor(fuzzy K-NN) algorithm. In doing so, the proposed algorithm can enhance the Performance of the conventional algorithm, by choosing an appropriate kernel function. Results on several data sets and segmentation results for real images are given to show the validity of our proposed algorithm.

커널 기법은 데이터를 high dimension 상의 속성 공간으로 mapping함으로써 복잡한 분포를 가지는 데이터에 대하여 기존의 선형 분류 알고리즘들의 성능을 향상시킬 수 있다r4]. 본 논문에서는 기존의 유클리디안 거리측정방법 대신에 커널 함수에 의한 속성 공간의 거리측정방법을 fuzzy K-nearest neighbor(fuzzy K-NN) 알고리즘에 적용한 fuzzy kernel K-nearest neighbor(fuzzy kernel K-NN) 알고리즘을 제안한다. 제시한 알고리즘은 데이터에 대한 적절한 커널 함수의 선택으로 기존 알고리즘의 성능을 향상시킬 수 있다. 제시한 알고리즘의 타당성을 보이기 위하여 여러 데이터 집합에 대한 실험결과와 실제 영상의 분할 결과를 보일 것이다.

Keywords

References

  1. J. Tou and R. Gonzalez, Pattern Recognition Principles, Addison-Wesley, 1974
  2. J. Keller, M. Gray, and J. Givens, JR, 'A fuzzy K-nearest neighbor algorithm,' IEEE Trans. Syst., Man, Cybern., vol. 15, no. 4, pp. 258-263, August 1985
  3. K. Yu, L. Ji, and X. Zhang, 'Kernel nearestneighbor algorithm,' Neural Processing Letters, vol. 15, no. 2, pp.147-156, 2002 https://doi.org/10.1023/A:1015244902967
  4. J. H. Chen and C. S. Chen, 'Fuzzy kernel perceptron,' IEEE Trans. Neural Networks, vol. 13. no. 6, pp. 1364-1373, 2002 https://doi.org/10.1109/TNN.2002.804311
  5. N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge University Press, 2000
  6. V. Vapnik, Statistical Learning Theory, John Wiley & Sons, 1998
  7. B. Schölkolpf, C. Burges, and A. Smola, Advances in Kernel Methods, MIT Press, 1998