一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法技术

本发明专利技术涉及一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法，特别是适用于数据集中类别复杂的聚类。本发明专利技术基于自表示和图谱约束的非负矩阵分解的图像聚类方法对高维数据进行降维，特别针对图像中存在异常值的情况，记为LRE‑GNMF。利用交替迭代法对目标函数求解，得到低维表示系数矩阵；利用低维表示系数矩阵对图像进行聚类。本方法使用非负数据矩阵作为输入，采用低秩嵌入(LRE)使得高维空间中距离较近的数据在学习到的低维空间中仍保持距离较近，从而保持数据的局部结构。本发明专利技术可广泛应用于图像识别领域。

An image clustering method based on non negative matrix decomposition with self representation and map constraint

【技术实现步骤摘要】
一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法
本专利技术是一种机器学习的矩阵分解方法，尤其涉及一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法，特别是适用于数据集中类别复杂的聚类。
技术介绍
在现代计算机视觉和图像处理研究中，高维数据随处可见。然而高维数据不仅会增加存储开销和计算复杂度，而且会在实际应用中减少算法的有效性。通常情况下，需要寻找一个数据表示来揭示高维数据中潜在的数据结构，这通常有助于进一步的数据处理。因此，为了寻找合适的数据表示，研究者们开发了类如图像重建，图像聚类，矩阵补全等等方法。其中，矩阵分解技术被广泛应用于对高维数据的处理，矩阵分解寻求两个或两个以上的低维矩阵来近似原始数据，这样高维数据就可以用降维后的矩阵来表示。非负矩阵分解(NMF)是一种基于非负性约束的矩阵分解方法，采用非负加权组合的形式使得其分解结果具有较好的解释性。对于一个给定的非负矩阵，非负矩阵分解将其分解成两个低维非负矩阵的乘积，从而实现对大规模高维数据进行消减或者对大规模高维数据进行压缩。考虑到数据的几何信息和局部特性，有人提出将NMF与本文档来自技高网...

【技术保护点】
1.一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法，其特征在于包括以下步骤：/nA.采用图谱正则NMF算法(GNMF)和低秩嵌入(LRE)对输入的原始图像数据集X＝[x

【技术特征摘要】
1.一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法，其特征在于包括以下步骤：
A.采用图谱正则NMF算法(GNMF)和低秩嵌入(LRE)对输入的原始图像数据集X＝[x1，x2，...，xN]建立分析模型，其中每个xi是一个图像矩阵，在这里拉成列向量，大小为
B.采用交替迭代法求解模型，对输入非负数据进行非负矩阵分解，得到图像的低维表示矩阵。
C.根据得到的低维表示矩阵V，对原始图像进行聚类。


2.根据权利要求1所述的基于自表示和图谱约束的非负矩阵分解的图像聚类方法，是由图谱正则NMF算法(GNMF)联合低秩嵌入(LRE)得到原始输入图像矩阵的低维表示矩阵，其特征在于，所述步骤A包括
结合图谱正则NMF算法(GNMF)模型和低秩嵌入(LRE)模型确定图像低维表示矩阵满足的最终求解模型，所述低维表示矩阵满足的最终求解模型为：



其中，X为输入的原始图像非负矩阵，U和V分别为从X中分解出的两个低维非负矩阵。U称为基矩阵，其中每一列Uj构成一个基向量，V称为系数矩阵，其中每一列Vi代表了趋近于X的每一列所需的非负系数。“||·||*”是核范数，Tr(·)表示矩阵的迹，，表示将矩阵V自身当做字典进行自表示后的重构误差。拉普拉斯矩阵L＝D-w，W是相似度矩阵，D是对角矩阵，对角...

【专利技术属性】
技术研发人员：孙艳丰，尹帅，胡永利，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11