Regarding high-dimensional heterogeneous data, combined with the existing algorithms' poor mining accuracy and parameter sensitivity, this paper proposes a local outlier mining algorithm based on neighborhood density. Use region segmentation to split high-dimensional data into reasonable sub-regions, reducing the difficulty of processing a large amount of high-dimensional data. The kernel neighborhood density is used to replace the average neighborhood density, so that the density calculation has nothing to do with data heterogeneity. Finally, the neighborhood state and outlier state of the data are further determined on the basis of neighborhood density to improve the accuracy of outlier mining. Through artificial and UCI data set simulation results, it shows that data volume and data dimension are the main factors that affect data outlier mining. The accuracy, coverage, and efficiency of the algorithm proposed in this paper are significantly better than those of the comparison algorithm, and it has better adaptability to different types of data sets.

본 논문에서는 구면 영상에서 영역 분할 정보를 사용하여 바닥 영역을 검출하는 방법을 제시 한다. 평면 영상에서의 Watershed 영역 분할 방법을 수정하여 구면 영상의 영역 분할에 적용할 수 있도록 하였다. 영역들을 분할한 뒤 가정된 바닥 영역 픽셀의 색상과 질감을 그 외의 영역 들과 비교하여 바닥 영역을 검출한다. 구면 파노라마 영상에서는 구면 왜곡으로 인하여 평면에 서의 바닥 검출 방법을 그대로 적용할 수 없다. 구면 왜곡을 고려한 바닥 영역 검출을 위하여 바닥 영역의 외곽선을 검출하는 알고리즘을 설계하였다. 실험에서 지상물이 없는 경우와 있는 경우의 모두에서 적절하게 바닥 영역을 검출할 수 있는 결과를 보였다.