[发明专利]基于双图稀疏的深度矩阵分解的图像聚类方法

说明书

本发明提出一种基于双图稀疏的深度矩阵分解的图像聚类方法，用于解决现有技术中存在的图像聚类准确度低和聚类过程运行速度慢的技术问题。实现步骤为：构建多层感知机；设置迭代次数；计算数据空间相似度矩阵和特征空间相似度矩阵；计算数据空间相似度对角矩阵和特征空间相似度对角矩阵；定义低维表示矩阵H_i及H_i对应的系数矩阵Z_i，并计算Z_i对应的系数对角矩阵Q_i；获取H_i的更新公式和Z_i的更新公式；对每层的H_i、Z_i和Q_i循环更新；重新获取H_i的更新公式和Z_i的更新公式；重置迭代次数；重置当前层数；对每层的H_i、Z_i和Q_i循环更新；图像聚类并输出。本发明可用于人脸识别、图像聚类和文本聚类等现实生活应用。

技术领域

本发明属于图像处理技术领域，涉及一种图像聚类方法，具体涉及一种基于双图稀疏的深度矩阵分解的图像聚类方法，可用于人脸识别、图像聚类和文本聚类等现实生活中的应用。

背景技术

随着互联网技术的迅猛发展以及手机、照相机、摄影机等图像采集工具的普及，图像信息在人们生活中起着越来越重要的作用，许多图像处理和分析方法也得到了广泛的应用。其中，图像聚类是将原始图像分成由类似图像组成的多个类的过程，因此图像聚类可以对原始的图像信息进行数据组织，是一种有效的图像处理方法，通常采用聚类准确度和聚类过程运行速度等指标来衡量聚类效果。

k-means聚类方法作为一种常见的聚类方法，具有处理速度快、效率高等优点，因此在进行图像聚类时被广泛应用。随着图像规模和清晰度的日益增大，k-means聚类的聚类效果已经不能满足人们的需求，因此许多算法在k-means聚类前会对原始的图像数据进行降维处理，这样可以得到较好的图像聚类效果。近年来，矩阵分解(MF)算法成为数据分析和图像处理领域一种非常流行的降维算法，它可以从高维数据中学习出一种良好的低维数据表示。然而，经典的矩阵分解算法没有考虑到数据中的几何结构，聚类准确度低，因此，在2011年，Deng Cai等人在IEEE Transactions on Pattern Analysis and MachineIntelligence的第33卷第1548～1560页发表的文章“Graph regularized nonnegativematrix factorization for data representation”中将流形学习加入到经典的矩阵分解算法中，提出了一种图正则非负矩阵分解(GNMF)，该算法能找到一个简洁的表示来挖掘原始图像数据中固有的几何结构。然而，GNMF仅仅是在数据空间加入了流形学习，而没有利用特征空间的流形信息，而且没有充分利用矩阵的稀疏性，计算复杂、聚类过程运行速度慢。更重要的是，经典的矩阵分解算法及GNMF算法均采用了单层结构，而这类降维算法中新的低维数据表示和原始的高维数据之间的映射关系十分复杂，以致于单层的聚类方法不能充分的解释，因此通过k-means进行聚类时聚类准确度低。

2018年，申请公开号为107609596A，名称为“无参数自动加权多图正则化非负矩阵分解及图像聚类方法”的专利申请，公开了一种无参数自动加权多图正则化非负矩阵分解及图像聚类方法(MGNMF)，该方法获取m个图像的图像数据；基于m个图像的图像数据构造q个最邻近图并计算相应的拉普拉斯算子图；根据计算得到的拉普拉斯算子图建立多图正则算子的目标函数；根据建立的多图正则算子的目标函数得到无参数自动加权正则项；根据得到的无参数自动加权正则项建立非负矩阵分解的目标函数；根据非负矩阵分解的目标函数得到两个非负矩阵的迭代式，完成多图正则化非负矩阵的分解。该方法基于原始图像数据构造邻近图，可以挖掘原始图像数据中固有的几何结构信息，提高图像聚类准确度。然而该方法采用的是单层结构，不能充分地解释新的低维数据表示和原始的高维数据之间的映射关系，另外，该方法仅仅利用了图像数据的数据空间的流形信息，没有充分挖掘特征空间的几何结构信息，且没有进行稀疏约束，所以最终的聚类准确度低，且聚类过程运行速度慢。

发明内容