• 한국컴퓨터정보학회논문지
• /
• 제20권12호
• /
• pp.9-14
• /
• 2015

In this paper, we present an color quantization method by complementing the disadvantage of K-means color quantization that is one of the well-known color quantization. We named the proposed method "octree-means" color quantization. K-means color quantization does not use all of the clusters because it initializes the centroid of clusters with random value. The proposed method complements this disadvantage by using the octree color quantization which is fast and uses the distribution of colors in image. We compare the proposed method to six well-known color quantization methods on ten test images to evaluate the performance. The experimental results show 68.29 percent of mean square error(MSE) and processing time increased by 14.34 percent compared with K-means color quantization. Therefore, the proposed method improved the K-means color quantization and perform an effective color quantization.

• 전자공학회논문지
• /
• 제53권10호
• /
• pp.69-76
• /
• 2016

본 논문에서는 변환 영역에서 non-local means (NL-means) 방법을 이용한 효율적인 영상 잡음 제거 기법을 제안한다. 먼저 고전적인 영상 잡음 제거 기법에서부터 최근 연구되고 있는 영상 잡음 제거 기법에 대한 리뷰를 서술하고 우수한 성능을 보이는 잡음 제거 기법인 NL-means 방법을 이용한 영상 잡음 제거 기법에 대한 성능을 분석한다. NL-means 기법의 가중치를 DCT 및 LiftLT 변환 영역에서 일부 계수만을 이용하여 계산함으로써 NL-means 기법을 효율적으로 구현하는 방법을 제안한다. 제안하는 방법은 계산량을 줄여서 영상 잡음을 효율적으로 제거할 수 있을 뿐만 아니라 변환 영역에서 영상의 특성을 효율적으로 이용하여 잡음 제거시 성능을 향상시킨다. 또한 제안하는 기법은 변환 영역에서 영상의 잡음 제거와 해상도 향상을 동시에 수행할 때 효율적으로 적용할 수 있는 장점이 있다. 모의 실험을 통하여 제안하는 방법이 우수한 성능을 보이는 것을 입증한다.

• 디지털융복합연구
• /
• 제12권11호
• /
• pp.281-288
• /
• 2014

본 논문에서는 복잡한 영상에서의 윤곽선 검출을 기존의 방법보다 더 명확하고 효율적으로 나타내기 위해서 K-means 군집화를 이용하였다. 제안하는 방법에는 세 가지 단계를 거친다. 첫 번째는 명암분포를 균일하게 하기 위하여 히스토그램 평활화를 사용한다. 두 번째는 거리에 기반을 둔 클러스터링 기법으로 기준점에서 가까운 곳의 데이터들을 하나의 군집으로 묶는 K-means 군집화를 사용하고 마지막으로 에지검출의 가장 대표적인 1차 미분 연산자인 소벨 마스크를 사용하여 윤곽선을 검출한다. 따라서 기존에 있던 윤곽선 검출보다 더 나은 결과로 명확하게 윤곽선을 검출 할 수 있음을 보인다.

• Journal of the Korean Data and Information Science Society
• /
• 제16권4호
• /
• pp.759-768
• /
• 2005

K-means clustering has been widely used in many applications, such that pattern analysis, data analysis, market research and so on. It can identify dense and sparse regions among data attributes or object attributes. But k-means algorithm requires many hours to get k clusters, because it is more primitive and explorative. In this paper we propose a new method of k-means clustering using the grid-based representative value(arithmetic and trimmed mean) for sample. It is more fast than any traditional clustering method and maintains its accuracy.

• 한국콘텐츠학회논문지
• /
• 제9권1호
• /
• pp.106-114
• /
• 2009

본 논문에서 K-Means 군집화 알고리즘을 빠르게 적용하는 방법을 제안했다. 제안하는 알고리즘의 특징은 속도 향상을 위해 변화될 가능성이 있는 데이터를 예측하는 것이다. 군집화 알고리즘의 각 단계에서 군집이 변경될 가능성이 있는 데이터만 선택하여 군집 중심과의 거리를 계산함으로써 전체 군집 계산 시간을 줄일 수 있었다. 군집이 변화될 예측 데이터를 계산할 때는 K-Means 알고리즘을 적용하면서 생성되는 거리 정보를 사용함으로써 추가되는 계산 시간이 적고, 특히, 거리 정보를 이용하기 때문에 차원의 개수에는 영향을 덜 받는 알고리즘을 제안할 수 있었다. 제안하는 알고리즘의 성능 비교를 위해서 원래의 K-Means인 Lloyd's와 이를 개선한 KMHybrid와 비교했다. 제안하는 알고리즘은 대용량 데이터( 입력 데이터의 크기가 크고, 데이터의 차원이 크며, 군집의 개수가 많은 경우)의 경우에 Lloyd's와 KMHybrid보다 높은 속도 향상을 보였다.

• 디지털산업정보학회논문지
• /
• 제19권4호
• /
• pp.1-11
• /
• 2023

Clustering analysis is used in various fields including customer segmentation and clustering methods such as k-means are actively applied in the credit card customer segmentation. In this paper, we summarized the input features selection method of k-means clustering for the case of the credit card customer segmentation problem, and evaluated its feasibility through the analysis results. By using the label values of k-means clustering results as target features of a decision tree classification, we composed a method for prioritizing input features using the information gain of the branch. It is not easy to determine effectiveness with the clustering effectiveness index, but in the case of the CH index, cluster effectiveness is improved evidently in the method presented in this paper compared to the case of randomly determining priorities. The suggested method can be used for effectiveness of actively used clustering analysis including k-means method.

• Journal of the Korean Data and Information Science Society
• /
• 제14권4호
• /
• pp.853-861
• /
• 2003

An improved K-means document clustering method has been presented, where a concept vector is manipulated for each cluster on the basis of cosine similarity of text documents. The concept vectors are unit vectors that have been normalized on the n-dimensional sphere. Because the standard K-means method is sensitive to initial starting condition, our improvement focused on starting condition for estimating the modes of a distribution. The improved K-means clustering algorithm has been applied to a set of text documents, called Classic3, to test and prove efficiency and correctness of clustering result, and showed 7% improvements in its worst case.

• 방송공학회논문지
• /
• 제16권6호
• /
• pp.1047-1057
• /
• 2011

본 논문에서는 K-means clustering 알고리즘을 이용하여 영상을 cluster로 나눈 후 각 cluster에 대하여 히스토그램 변형기법을 적용하여 만든 밝기 변환 함수로 영상의 동적 범위를 확장시키는 방법과 히스토그램 변형에 필요한 파라미터를 자동으로 조절하는 방법을 제안한다. 제안하는 방법은 기존의 전역적 히스토그램 변형기법의 한계점인 지역적 밝기 개선이 어렵다는 단점을 극복할 수 있을 뿐 아니라 밝기 변환함수의 파라미터를 자동적으로 조절할 수 있어서 수동 조절 없이 고성능의 화질 개선이 가능하다. 제안하는 방법이 기존 방법에 비해 성능이 우수함은 시뮬레이션 및 실험을 통해 입증하였다.

• 정보관리학회지
• /
• 제21권4호
• /
• pp.173-185
• /
• 2004

정보통신의 기술이 발달하면서 정보의 양이 많아지고 사용자의 질의에 대한 검색 결과 리스트도 많이 추출되므로 빠르고 고품질의 문서 클러스터링 알고리즘이 중요한 역할을 하고 있다. 많은 논문들이 계층적 클러스터링 방법을 이용하여 좋은 성능을 보이지만 시간이 많이 소요된다. 반면 K-means 알고리즘은 시간 복잡도를 줄일 수 있는 방법이다. 본 논문에서는 계층적 클러스터링 시스템인 콘도르(Condor) 시스템에서 간단하고 고품질이며 효율적으로 정보 검색 할 수 있도록 구현하였다. 이 시스템은 K-Means Algorithm을 이용하였으며 클러스터 계층 깊이와 초기값을 조절하여 $88\%$의 정확율을 보였다.

• Communications for Statistical Applications and Methods
• /
• 제12권2호
• /
• pp.497-508
• /
• 2005

This paper aims at studying on K-means Clustering focusing on initialization which affect the clustering results in K-means cluster analysis. The four different methods(the MA method, the KA method, the Max-Min method and the Space Partition method) were compared and the clustering result shows that there were some differences among these methods, especially that the MA method sometimes leads to incorrect clustering due to the inappropriate initialization depending on the types of data and the Max-Min method is shown to be more effective than other methods especially when the data size is large.