[发明专利]一种多视图本征低秩结构的图像聚类方法

权利要求书

1.一种多视图本征低秩结构的图像聚类方法，其特征在于，包括如下步骤：

步骤1，采集v个视图组成多视图数据集X＝{x₁，x₂，...，x_v}，其中，x_i为第i个视图，i＝1，2，...，v；

步骤2，初始化变量，包括构造多视图数据集X的邻接矩阵W、出度矩阵D和拉普拉斯矩阵L；

步骤3，根据数据集X、初始化邻近矩阵W和拉普拉斯矩阵L构造目标优化函数，

步骤4，利用增广拉格朗日乘法对目标优化函数进行处理，更新各项变量并计算计算损失函数；

步骤5，设置迭代循环条件，直到满足循环条件则退出循环，输出的邻接矩阵W为最优解；

步骤6，根据步骤5计算得出的最优相似矩阵W，对相似矩阵W使用强连通分量算法，即可得出多视图数据集的聚类标签。

2.根据权利要求1所述的一种多视图本征低秩结构的图像聚类方法，其特征在于，使用K近邻算法构造多视图数据集X的邻接矩阵W的方法为：

其中，w_ij为邻接矩阵W中第i行第j列元素，x_i，j为多视图数据集X中第i个视图第i列元素,x_i，j为多视图数据集X中第i个视图第j列元素；由w_ij组成多视图数据集X的邻接矩阵W。

3.根据权利要求2所述的一种多视图本征低秩结构的图像聚类方法，其特征在于，基于邻接矩阵W中的元素w_ij计算得出度矩阵D的元素即矩阵D的对角线元素为矩阵W对应行的行和，其余元素为0，d_ii为度矩阵D中第i行第i列元素，w_ij为邻接矩阵W中第i行第j列元素，n表示视图中图像的数量。

4.根据权利要求3所述的一种多视图本征低秩结构的图像聚类方法，其特征在于，根据计算得出度矩阵D和邻接矩阵W，得到拉普拉斯矩阵L＝D-W。

5.根据权利要求4所述的一种多视图本征低秩结构的图像聚类方法，其特征在于，所述目标优化函数表示为：

s.t.X_i＝X_iP_i+E_i，P_i=Z_i+Z₀，P_i＝U_i，F^TF＝I，w_ij≥0，

其中，为相似矩阵动态调节项，λ₁、λ₂、λ₃均为平衡因子；U_i为松弛变量，i＝1，2，...，v；Z_i为第i个视图独立的特征部分，i＝1，2，...，v；Z_j为第j个视图独立的特征部分，j＝1，2，...，v；Z₀为本征低秩部分，Tr(·)为矩阵迹运算，为Z_i的转置；F为指示矩阵，F^T为指示矩阵的转置，L为拉普拉斯矩阵，E_i为第i个视图的残差项，i＝1，2，...，v；X_i为多视图数据集X的第i个视图，i＝1，2，...，v；P_i为数据集的低秩成分，i＝1，2，...，v；n为数据的数量，I代表单位矩阵，||·||_F、||·||_*、||·||₁、||·||_2，1分别表示矩阵的F范数、核范数、1范数和21范数。

6.根据权利要求5所述的一种多视图本征低秩结构的图像聚类方法，其特征在于，利用增广拉格朗日乘法对目标优化函数进行处理得到：

其中，为拉格朗日函数，H_i、J_i、K_i均为拉格朗日乘子矩阵，i＝1，2，...，v。