一种联合拉斯正则项和特征自学习的水流图像分簇方法技术

一种联合拉斯正则项和特征自学习的水流图像分簇方法，包括以下步骤：步骤1，预处理：将水流图像的像素值按列展开并串联成列向量，以这些列向量为元素构成水流图像数据集的特征矩阵X＝[x1,x2,…,xn]，其中xi∈Rd×1；步骤2，基于联合拉斯正则项和特征自学习的数据分簇：步骤3，水流图像分簇：将水流图像数据集按流速特征依c分块对角的相似矩阵S恰好分成c个簇类。

【技术实现步骤摘要】

本专利技术涉及一种图像分簇方法，具体涉及一种联合拉斯正则项和特征自学习的水流图像分簇方法，属于模式识别领域。
技术介绍
水流图像分簇技术广泛应用于多种基于水流的直接或间接测量，例如：水流测速、流量计算和水位检测等，可用于水文监测及水文预报，是水利工程规划设计、防汛抗旱和灌溉等工作所必需。准确、及时的流速监测能显著提高水利工程调度的科学性和旱涝灾害的预见性。在对水流图像进行分析时，通常会对水流图像按某一水流特性进行具体分类，例如，按流速进行区间划分。分类方法需要大量的标签信息，然而，随着水流图像数量的不断累积，对如此大量的用于训练的水流图像进行逐一人工标记是非常耗费人力财力的，因此，通过无需标签信息的分簇方法将水流图像按流速或其他水流特性分成若干有意义的簇类可便于大量信息管理，是一个很好的选择。水流图像分簇是水流图像的分类、分割、识别和检索等图片处理过程的关键预处理。然而，水流图像维数过高，大大降低了传统分簇方法的有效性。基于谱分簇的子空间分簇由于具备理论保证和良好性能，得到了广泛研究和应用。该类方法本质上是相似矩阵的学习和谱分簇方法的利用，不同算法之间的差别主要是系数矩阵的约束不同本文档来自技高网...

【技术保护点】
一种联合拉斯正则项和特征自学习的水流图像分簇方法，包括以下步骤：步骤1，预处理：将水流图像的像素值按列展开并串联成列向量，以这些列向量为元素构成水流图像数据集的特征矩阵X＝[x1,x2,…,xn]，其中xi∈Rd×1；步骤2，基于联合拉斯正则项和特征自学习的数据分簇：2.1建立目标函数：基于自适应近邻学习构建图Laplacian矩阵，将低维嵌入、特征选择和谱分簇纳入同一框架，并添加稀疏约束和秩约束，得到目标函数，如式(1)所示：其中xi是输入数据集X＝[x1,x2,…,xn]∈Rd×n中的第i个d维输入样本，n是训练样本总数；符号⊙表示依元素相乘，w＝[w1,w2,…,wd]T∈Rd是特征加权...

【技术特征摘要】
1.一种联合拉斯正则项和特征自学习的水流图像分簇方法，包括以下步骤：步骤1，预处理：将水流图像的像素值按列展开并串联成列向量，以这些列向量为元素构成水流图像数据集的特征矩阵X＝[x1,x2,…,xn]，其中xi∈Rd×1；步骤2，基于联合拉斯正则项和特征自学习的数据分簇：2.1建立目标函数：基于自适应近邻学习构建图Laplacian矩阵，将低维嵌入、特征选择和谱分簇纳入同一框架，并添加稀疏约束和秩约束，得到目标函数，如式(1)所示：其中xi是输入数据集X＝[x1,x2,…,xn]∈Rd×n中的第i个d维输入样本，n是训练样本总数；符号⊙表示依元素相乘，w＝[w1,w2,…,wd]T∈Rd是特征加权向量，用于表征输入数据不同特征维度对邻域图构建的贡献；定义邻域图模型S，其元素sij表示数据点xi与xj互为近邻的概率(或相似度)，si∈Rn表示S的第i个列向量；Ls表示Laplacian矩阵，当给定非对称的相似度矩阵时，则相应的非规范化Laplacian矩阵计算为Ls＝D-(ST+S)/2，其中度矩阵D的对角元素为di＝Σj(sij+sji)/2；式(1)第一部分用于相似度矩阵构建，其中||w1/2⊙(xi-xj)||22sij表征在特征优选约束下，使邻近的样本对具有更高的相似度权值，而非近邻样本对具有更低的相似度权值，γsij2项则用于规避平凡解；β||w||22是特征加权矢量w的正则项，其中l2范数用于协作性约束，引导特征权值具有光滑的数值结构；m≤d表示选择后有效特征数，约束条件wi≥0,wT1＝m保证了w的稀疏性，获得具有代表性的特征子集并保持不同特征的显著性；约束条件0≤sij≤1和siT1＝1则用于约束相似矩阵的稀疏邻...

【专利技术属性】
技术研发人员：郑建炜，李卓蓉，鞠振宇，杨平，邱虹，陈婉君，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33