View - Statistics - University of Washington

••••8Figure 2.1(a) is a simulation of such an image, and Figure 2.1(b) shows the featuresdetected by our method.•• •••• • ••• • •••••• • •• ••••• •••• • • • •••••• •• ••• • ••• • • ••• •••••••••• ••• •• •••• •• •• • •••••• • ••• ••••••••••• ••••••••• •••••• ••••• •••• • • •• • • •• •••••• •• • • •••• • •• •••••• ••• • • • • • ••••••• ••••••••• • ••• ••• • • ••••• • ••••••• •••••••••••• ••• ••• •••••••••••• • • •• ••• • •• •• ••••• • • •••• • • • • •• •••• • ••• •••• • •• • ••• ••••• ••• •••• • •• ••••••• ••• ••••••••• •••••• •••• • •• ••(a)(b)Figure 2.1: (a) Simulated minefield with noise. (b) Final result.In Section 2.2, we give some background on principal curves and introduce ourprobability model and clustering algorithm. Section 2.2.3 presents our methodfor clustering on open principal curves, and Section 2.2.4 describes our use ofapproximate Bayes factors to choose the number of features and the amount ofsmoothing simultaneously and automatically. Initialization methods, including ourhierarchical principal curve clustering (HPCC) algorithm, are discussed in Section2.3. Examples are presented in Section 2.4, and in Section 2.5 we discuss otherapproaches and areas of further work.