[发明专利]一种多视图本征低秩结构的图像聚类方法

说明书

本发明公开了一种多视图本征低秩结构的图像聚类方法，采集v个视图组成多视图数据集X；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，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；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；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；根据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。本发明充分利用多视图数据的信息，同时添加相似矩阵动态调节约束，让谱聚类能够利用共同低秩Z₀的信息，从而提高聚类的准确性。

技术领域

本发明涉及图像处理技术，具体是一种多视图本征低秩结构的图像聚类方法。

背景技术

聚类是无监督学习中的一个重要的研究内容，是应用最广泛的数据分析技术之一，应 用范围包括统计学、计算机科学、生物学、社会科学和心理学。现有的多视图图像聚类技 术，主要分成两类：基于子空间算法和基于谱聚类的算法。目前针对多视图的聚类算法还 有不完善之处，仍有改进之处。例如，谱聚类效果非常依赖于相似矩阵，不同的相似矩阵 得到的最终聚类效果可能很不同；不能很好的利用多视图的数据特征进行聚类等等问题。

发明内容

为了解决现有技术的不足，本发明提出了一种多视图本征低秩结构的图像聚类方法， 通过结合低秩表达和谱聚类，并在低秩部分中提取多视图共同的低秩Z₀，从而充分利用多 视图数据的信息；同时添加相似矩阵动态调节约束让谱聚类能够利用共同低 秩Z₀的信息，从而提高聚类的准确性。

本发明所采用的技术方案如下：

一种多视图本征低秩结构的图像聚类方法，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。

进一步，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，i为多视图数据集X中第i个视图第i行元素,x_i，j为多视图数据集X中第i个视图第j行元素；由w_ij组成多视图数据集X的邻接矩阵W。

进一步，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 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。

进一步，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。

进一步，所述目标优化函数表示为：