[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

说明书

本发明揭示了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，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；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。与已有的多视图聚类方法相比，大量的实验结果证明该方法可以显著提高收敛速率和聚类性能。

技术领域

本发明涉及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，可用于模式识别中的多视图聚类领域。

背景技术

在计算机视觉和模式识别领域，聚类是一项基本的数据处理技术。在现实中数据可以被多种特征表述，例如图像可以被Intensity，LBP和Gabor三个特征描述，网页可以被不同格式的文本，不同语言等刻画。利用数据的多视图特征对数据进行分类，可以大大提高分类的正确率。随着互联网和计算机的迅猛发展、大数据时代的到来，对数据的聚类处理显得尤为重要，而目这个问题越来越受到人工智能领域的关注。

多视图聚类隶属于无监督学习，它试图将数据集中的样本划分为若干个不相交的子集。多视图聚类既可以是一个单独的过程，用于寻找数据的内在结构，也可以作为分类等其它学习任务前驱过程，例如，在商业应用中需要对新用户的类型进行判别，此时就需要先对用户数据进行聚类。在多视图聚类中，怎样保证不同视图下聚类的一致性非常重要。解决多视图聚类问题的方法都是建立在谱聚类的基础之上的，而谱聚类算法是建立在谱图理论基础上，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。谱聚类算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵，并且计算矩阵的特征值和特征向量，然后选择合适的特征向量聚类不同的数据点。同时现存的多数多视图聚类算法把子空间学习和谱聚类分开进行，忽略了两者之间的紧密联系，从而导致了算法聚类性能的不佳。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出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。

本发明的目的将通过以下技术方案得以实现：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，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；

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。

优选地，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。

优选地，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。

优选地，在所述S2步骤中，