[发明专利]一种基于深度多视角子空间集成学习的图像聚类方法

权利要求书

1.一种基于深度多视角子空间集成学习的图像聚类方法，其特征在于，包括：

对图像数据集进行多视角特征提取，得到多视角特征；

基于所述多视角特征建立深度多视角低秩子空间学习的第一函数：

其中，X^(v)是第v个视角的数据矩阵，和分别是深度矩阵分解第i层的基矩阵和系数矩阵，是子空间学习得到的低秩子空间表示，λ₁是用于控制第二项作用大小的权重系数，m是深度矩阵分解的层数，V是视角的个数，||·||_F是矩阵Frobenius范数，||·||_*是矩阵的核范数；

基于所述第一函数建立多视角子空间集成学习的第二函数：

其中，是第v个视角、第i层的融合权重系数，用于控制低秩子空间在融合过程中的作用大小，是由构成的向量，||·||_G是组稀疏正则项，用于控制融合权重的稀疏性，其定义为：将分成V个组，让属于同一个视角v的融合权重属于一个组，每个组的融合权重系数可以用一个向量来表示：组稀疏正则项的定义为：F是低维一致性子空间，用于保留融合后的不同视角、不同层的聚类结构信息，λ₂和λ₃是权重系数；

基于所述第一函数和所述第二函数建立深度多视角子空间集成学习的目标函数：

并确定所述目标函数的各项约束：

其中，约束条件要求矩阵分解的系数矩阵和低秩子空间的非负性，约束条件α≥0,1^Tα＝1约束融合权重α的值非负并且归一化，正交约束FF^T＝I去除低维一致性子空间F各维度的相关性；

最小化所述目标函数，得到图像多视角特征的低维一致性子空间表示；

用聚类算法对图像多视角特征的低维一致性子空间表示进行聚类，得到所述图像数据集的多视角聚类结果。

2.根据权利要求1所述的图像聚类方法，其特征在于，所述目标函数在对原始的多视角特征进行深度分解时，利用了深度矩阵分解模型中所有层的信息。

3.根据权利要求1所述的图像聚类方法，其特征在于，所述目标函数在集成学习的过程中运用了组稀疏的正则化方法对不同视角的融合权重进行控制。

4.根据权利要求1所述的图像聚类方法，其特征在于，所述目标函数通过自表示子空间学习将多个视角的低秩聚类结构保留在一致的、低维的子空间中，并通过使用正交约束的条件去除低维一致性子空间F各维度的相关性，从而进一步提升F表示的判别性。

5.根据权利要求1所述的图像聚类方法，其特征在于，所述聚类算法为谱聚类。

6.根据权利要求1所述的图像聚类方法，其特征在于，所述图像多视角特征的低维一致性子空间表示具体为F∈R^c×n，矩阵每一列代表一个图像数据的向量表示。

7.一种图像聚类装置，可以实现如权利要求1至6任意一项所述的方法，包括：

图像数据集收集存储模块，其用于将大型图像数据集库中高质量的图像数据下载并存储到本地；

图像数据集特征提取模块，其用于对图像数据集中多视角特征进行提取；

图像处理学习模块，其用于对所提取的多视角特征进行分解、学习、降维和融合，得到图像多视角特征的低维一致性子空间；

聚类模块，其用于对图像多视角特征的低维一致性子空间进行聚类，得到图像多视角特征的聚类结果。