申请/专利权人：江苏大学

申请日：2020-08-19

公开（公告）日：2024-03-19

公开（公告）号：CN112148911B

主分类号：G06F16/55

分类号：G06F16/55;G06F17/14;G06F17/15

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.01.15#实质审查的生效;2020.12.29#公开

摘要：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。

主权项：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,…，xi，…,xv}，其中，xi为第i个视图；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，所述目标优化函数表示为： s.t.Xi＝XiPi+Ei,Pi＝Zi+Z0,Pi＝Ui,FTF＝I,wij≥0,其中，为相似矩阵动态调节项，λ1、λ2、λ3均为平衡因子；Ui为松弛变量，i＝1,2,…,v；Zi为第i个视图独立的特征部分，i＝1,2,…,v；Zj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Zi的转置；F为指示矩阵，FT为指示矩阵的转置，L为拉普拉斯矩阵，Ei为第i个视图的残差项，i＝1,2,…,v；Xi为多视图数据集X的第i个视图，i＝1,2,…,v；Pi为数据集的低秩成分，i＝1,2,…,v；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；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计算得出的邻接矩阵W，对邻接矩阵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。

全文数据：

权利要求：

百度查询： 江苏大学 一种多视图本征低秩结构的图像聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD