[发明专利]一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法

权利要求书

1.一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，其特征在于：该方法包括如下步骤：

S1：获取多视图图像数据；

S2：对给定多视图图像数据进行子空间学习，得到多视图子空间表示、连续指示矩阵、离散指示矩阵；

其中，假设给定一组多视图数据和所属类别{1,...,c}，n代表有n个数据，v代表第v个视图，d_v是第v个视图下的特征维度；Z^v∈R^n×n是第v个视图下的子空间表示，是误差项，F∈R^n×c连续指示矩阵，P∈R^n×c离散指示矩阵，Q∈R^c×c转换矩阵，Z^v，E^v，F，P，Q都为未知；为邻接矩阵，L^v＝D^v-W^v为拉普拉斯矩阵，其中d_ii＝∑_jw_ij；公式(1)所示模型能直接从多视图数据学得多视图子空间表示、连续指示矩阵、离散指示矩阵，模型如下：

s.tZ_v(i,i)＝0,F^TF＝I,Q^TQ＝I,P∈I_dx (1)

第一项是自我表示项，自我表示项是学习数据的子空间结构；第二项是误差项，第三项是连续指示矩阵学习，能保证不同视图下聚类结果的一致性；第四项是离散指示矩阵学习，λ，β，γ是惩罚参数；

S3：对多视图子空间表示、连续指示矩阵、离散指示矩阵进行迭代更新，得到更新后的多视图子空间表示；

S4：应用所述S3步骤得到的多视图子空间表示构造邻接矩阵；

S5：应用所述S4步骤得到的邻接矩阵，调用谱聚类算法，得到聚类结果。

2.根据权利要求1所述的一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，其特征在于：在所述S2步骤中，子空间表示刻画的是数据在子空间的分布结构，离散指示矩阵为一个只含有{0，1}的矩阵，行数对应于多视图数据的个数，列数对应多视图数据的类别数。

3.根据权利要求1所述的一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，其特征在于：在所述S5步骤中，利用子空间表示构造邻接矩阵，把邻接矩阵作为谱聚类算法的输入，得到算法下的聚类标签，最后把预测的聚类标签与数据的真实类别标签进行对比，得出评价算法的聚类指标。

4.根据权利要求1所述的一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，其特征在于：在所述S3步骤中，公式(1)模型中有五个未知量，能够通过交替求解的方法求解，具体过程如下：

固定E，F，P和Q求解Z：

对(2)式求解得：

其中Fⁱ是F的第i行，y是Y的第i列，K＝X-(XZ-xz^T)-E，z^T是Z的第i行；

固定Z，F，P和Q，求解E：

对(4)式求解得：

固定Z，E，P和Q，求解F：

利用可行的正交约束优化方法解决公式(6)；

固定Z，E，P和F，求解Q：

Q＝UV^T (8)

其中U和V是P^TF的奇异值分解；

固定Z，E，F和Q，求解P：

对(9)式求解：

5.根据权利要求1所述的一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，其特征在于：在所述S4步骤中，通过迭代优化Z^v，E^v，F，Q和P，用Z^v构造邻接矩阵然后利用谱聚类得到预测的聚类标签，并与真实的数据标签进行对比，得到聚类的评价指标。