第2期 程肠，等：知识迁移的极大嫡聚类算法及其在纹理图像分割中的应用 ·185. 如表2和图5的聚类结果所示，本文提出的KT-MEC 算法与协同算法DRCC以及多任务聚类算法Com bKM相比，本文算法仍然较优，这是因为多任务聚类 与迁移聚类的原理明显不同。协同聚类与多任务聚 类在集中完成多个聚类任务的同时，通过使用每个聚 类任务的独立信息和多个聚类任务间的潜在相关信 息，以获得良好的聚类性能。然而，在迁移聚类场景 中，目标域的数据不能提供正确的聚类信息，这就会 使得协同聚类和多任务聚类算法的聚类性能变弱。 中” 此外，由于本文提出的KT-MEC算法较其他迁 (c)6种算法分别在数据集T,上的图像分割结果 移聚类算法、协同聚类算法、多任务聚类算法具有更 好的聚类性能，这进一步表明先进的集群知识（如聚 类中心)可以被看作是一种有效的迁移知识，以提高 目标域的聚类性能。这也表明本文提出的聚类中心 自适应匹配机制能使源域的类中心与目标域的类中 心进行成功匹配，达到知识迁移的目的。 4.3聚类数不同的纹理图像分割 表3与图6分别为源域与目标域聚类数不同 时，各算法对纹理图像进行分割时的聚类性能对比 与图像分割结果对比。 (d)6种算法分别在数据集T:上的图像分割结果 由于协同聚类算法DRCC、迁移聚类算法STC 图5源域与目标域聚类数相同的含噪纹理图像分割结果 和T$C的聚类机制需要源域与目标域有相同的聚类 Fig.5 Segmentation results of clustering algorithms for 数，所以这3种聚类算法不能在源域与目标域聚类 noisy texture images with the same number of 数不同的迁移场景下运行。 clusters between source domain and target domain 表3和图6的实验结果表明本文提出KT-MEC 从表2和图5的聚类结果可以观察到，迁移聚类 聚类算法在图像分割性能上较经典的非迁移MEC 算法(STC、TSC、KT-MEC)在T,~T,数据集上取得了比 算法以及CombKM算法具有更优的聚类性能。此 传统的非迁移聚类算法更高的聚类精度。表2中NM 外，得益于本文提出的基于知识的中心迁移机制，源 和值以及图5中可视化的分割结果，均表明本文所 域与目标域聚类数不同的迁移场景中的聚类结果表 提出的KT-MEC聚类算法优于经典的MEC算法。以 上结果进一步表明，在含噪的数据环境中，本文KT 明了本文提出的基于知识的中心匹配机制可挖掘出 EC算法具有比MEC更好的鲁棒性，也进一步表明迁 源域和目标域之间完美的聚类中心的配对关系，进 移学习技术是提高算法鲁棒性的有效途径。 而确保知识迁移的质量。 表3源域与目标域的聚类数不同时的各算法聚类性能对比 Table 3 Performance comparison of algorithms when the number of clusters of source domain and target domain are different 数据集 评价指标 MEC CombKM DRCC STC TSC KT-MEC NMI-mean 0.4644 0.5557 一 0.6501 NMI-std 0.0002 0.0201 T 一 一 7.064×105 RI-mean 0.7817 0.7310 一 一 0.8360 RI-std 0.0001 0.0220 5.90x105 NMI-mean 0.2680 0.5087 一 0.7628 NMI-std 0.0050 0.0690 - 1.11×10-16 RI-mean 0.6872 0.6578 0.9168 RI-std 0.0020 0.0888 1.35×10-6（ｃ） ６ 种算法分别在数据集 Ｔ３ 上的图像分割结果 （ｄ） ６ 种算法分别在数据集 Ｔ４ 上的图像分割结果 图 ５ 源域与目标域聚类数相同的含噪纹理图像分割结果 Ｆｉｇ．５ Ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｎｏｉｓｙ ｔｅｘｔｕｒｅ ｉｍａｇｅｓ ｗｉｔｈ ｔｈｅ ｓａｍｅ ｎｕｍｂｅｒ ｏｆ ｃｌｕｓｔｅｒｓ ｂｅｔｗｅｅｎ ｓｏｕｒｃｅ ｄｏｍａｉｎ ａｎｄ ｔａｒｇｅｔ ｄｏｍａｉｎ 从表 ２ 和图 ５ 的聚类结果可以观察到，迁移聚类 算法（ＳＴＣ、ＴＳＣ、ＫＴ⁃ＭＥＣ）在 Ｔ１ ～Ｔ４ 数据集上取得了比 传统的非迁移聚类算法更高的聚类精度。 表 ２ 中 ＮＭＩ 和 ＲＩ 值以及图 ５ 中可视化的分割结果，均表明本文所 提出的 ＫＴ⁃ＭＥＣ 聚类算法优于经典的 ＭＥＣ 算法。 以 上结果进一步表明，在含噪的数据环境中，本文 ＫＴ⁃ ＭＥＣ 算法具有比 ＭＥＣ 更好的鲁棒性，也进一步表明迁 移学习技术是提高算法鲁棒性的有效途径。 如表 ２ 和图 ５ 的聚类结果所示，本文提出的 ＫＴ⁃ＭＥＣ 算法与协同算法 ＤＲＣＣ 以及多任务聚类算法 Ｃｏｍ⁃ ｂＫＭ 相比，本文算法仍然较优，这是因为多任务聚类 与迁移聚类的原理明显不同。 协同聚类与多任务聚 类在集中完成多个聚类任务的同时，通过使用每个聚 类任务的独立信息和多个聚类任务间的潜在相关信 息，以获得良好的聚类性能。 然而，在迁移聚类场景 中，目标域的数据不能提供正确的聚类信息，这就会 使得协同聚类和多任务聚类算法的聚类性能变弱。 此外，由于本文提出的 ＫＴ⁃ＭＥＣ 算法较其他迁 移聚类算法、协同聚类算法、多任务聚类算法具有更 好的聚类性能，这进一步表明先进的集群知识（如聚 类中心）可以被看作是一种有效的迁移知识，以提高 目标域的聚类性能。 这也表明本文提出的聚类中心 自适应匹配机制能使源域的类中心与目标域的类中 心进行成功匹配，达到知识迁移的目的。 ４．３ 聚类数不同的纹理图像分割 表 ３ 与图 ６ 分别为源域与目标域聚类数不同 时，各算法对纹理图像进行分割时的聚类性能对比 与图像分割结果对比。 由于协同聚类算法 ＤＲＣＣ、迁移聚类算法 ＳＴＣ 和 ＴＳＣ 的聚类机制需要源域与目标域有相同的聚类 数，所以这 ３ 种聚类算法不能在源域与目标域聚类 数不同的迁移场景下运行。 表 ３ 和图 ６ 的实验结果表明本文提出 ＫＴ⁃ＭＥＣ 聚类算法在图像分割性能上较经典的非迁移 ＭＥＣ 算法以及 ＣｏｍｂＫＭ 算法具有更优的聚类性能。 此 外，得益于本文提出的基于知识的中心迁移机制，源 域与目标域聚类数不同的迁移场景中的聚类结果表 明了本文提出的基于知识的中心匹配机制可挖掘出 源域和目标域之间完美的聚类中心的配对关系，进 而确保知识迁移的质量。 表 ３ 源域与目标域的聚类数不同时的各算法聚类性能对比 Ｔａｂｌｅ ３ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｌｇｏｒｉｔｈｍｓ ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｃｌｕｓｔｅｒｓ ｏｆ ｓｏｕｒｃｅ ｄｏｍａｉｎ ａｎｄ ｔａｒｇｅｔ ｄｏｍａｉｎ ａｒｅ ｄｉｆｆｅｒｅｎｔ 数据集 评价指标 ＭＥＣ ＣｏｍｂＫＭ ＤＲＣＣ ＳＴＣ ＴＳＣ ＫＴ⁃ＭＥＣ Ｔ５ ＮＭＩ⁃ｍｅａｎ ０．４６４ ４ ０．５５５ ７ — — — ０．６５０ １ ＮＭＩ⁃ｓｔｄ ０．０００ ２ ０．０２０ １ — — — ７．０６４×１０ －５ ＲＩ⁃ｍｅａｎ ０．７８１ ７ ０．７３１ ０ — — — ０．８３６ ０ ＲＩ⁃ｓｔｄ ０．０００ １ ０．０２２ ０ — — — ５．９０×１０ －５ Ｔ６ ＮＭＩ⁃ｍｅａｎ ０．２６８ ０ ０．５０８ ７ — — — ０．７６２ ８ ＮＭＩ⁃ｓｔｄ ０．００５ ０ ０．０６９ ０ — — — １．１１×１０ －１６ ＲＩ⁃ｍｅａｎ ０．６８７ ２ ０．６５７ ８ — — — ０．９１６ ８ ＲＩ⁃ｓｔｄ ０．００２ ０ ０．０８８ ８ — — — １．３５×１０ －１６ 第 ２ 期 程旸，等：知识迁移的极大熵聚类算法及其在纹理图像分割中的应用 ·１８５·