一种基于结构图的多视图聚类图像识别方法技术

本发明专利技术提供了一种基于结构图的多视图聚类图像识别方法，属于计算机视觉、图像聚类、多视图学习和机器学习领域，方法包括以下几个模块：特征权重学习模块、动态特征矩阵学习模块、多图学习模块、视图权重学习模块和一致性结构图学习模块。与现有技术相比，本发明专利技术针对图像数据集设计了一种基于结构图的多视图聚类图像识别方法，通过动态特征的学习来避免固定的距离关系并以此来捕获图像样本之间的内在关系。与此同时，学习得到的相似度矩阵能够来对动态特征的学习进行反馈指导。在一致性图矩阵学习的过程中，不仅可以考虑不同视图之间的重要性而且还会对共识图进行拉普拉斯秩约束，这能提高图矩阵的质量，从而进一步提高图像聚类的精度。的精度。的精度。

【技术实现步骤摘要】
一种基于结构图的多视图聚类图像识别方法


[0001]本专利技术属于计算机视觉、图像聚类、多视图学习和机器学习领域，更具体的说，是一种涉及一种基于结构图的多视图聚类图像识别方法。

技术介绍

[0002]随着信息技术的不断发展，获取图像数据的方式也变得越来越复杂，而单视图学习和多视图学习则是其中两种重要的主导模式。以往传统的机器学习方法比如支持向量机和聚类等都是在单个视图的图像数据上进行学习，但是在这种情况下是不会考虑不同视图的任何其他信息。因此，为了更好地匹配人类的思考方式和更全面地描述现实世界中的情况就出现了多视图数据，例如一张图片可以从不同的角度来进行描述，一段视频由图像和声音构成，或者是一张人脸可以由不同视角进行拍摄等等。与多视图数据相对应的学习范式是多视图学习。
[0003]多视图聚类是多视图学习中的一个重要基石，其目的利用多视图数据中的互补信息和一致性信息来获得可靠的数据划分结果。因此，出现了很多基于图的多视图谱聚类方法来处理图像数据集。这类方法一般都是先通过原始特征空间中构造不同视图的相似度矩阵或者是统一的图矩阵，再通过谱聚类得到最后的聚类结果。但是这类方法都存在着一些缺点。基于固定公式构造的相似度矩阵是根据原始特征空间中样本之间固定的欧式距离计算得到的。因此，固定的关系表示是无法捕获数据之间潜在的内部关系，而且基于欧式距离的关系表达非常容易受离群值和噪音等异常的影响。此外，不同学习阶段相互独立可能会导致次优的图学习结果，而且还会使得信息的丢失，并从而得到不理想的图像聚类结果。
[0004]因此，亟需一种基于结构图的多视图聚类图像识别方法，通过联合动态特征学习和多图学习来避免图像样本之间固定的距离关系并以此捕获数据点之间的内在关系，从而获得高质量的一致性结构图矩阵，并进而大幅度提高图像数据集的聚类性能。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种基于结构图的多视图聚类图像识别方法，该方法通过联合动态特征学习和多图学习来避免图像样本之间固定的距离关系并以此捕获数据点之间的内在关系，从而获得高质量的一致性结构图矩阵。
[0006]一种基于结构图的多视图聚类图像识别方法，包括：特征权重学习模块、动态特征矩阵学习模块、多图学习模块、一致性结构图学习模块和视图权重学习模块。
[0007]所述的特征权重学习模块，就是通过数据多个视图的特征矩阵的不同维度特征进行自适应加权，并减弱特征空间中噪音和离群值对样本的影响。
[0008]所述的动态特征矩阵学习模块，是基于特征加权的特征矩阵学习一个新的动态特征表示，从而充分捕获图像样本之间潜在的关系。
[0009]所述的多图学习模块，是基于动态特征表示学习不同视图的相似度矩阵，从而捕获不同视图数据的拓扑结构。
[0010]所述的视图权重学习模块，通过考虑不同视图的重要性来自适应的为不同的相似度矩阵赋予相应的权重。
[0011]所述的一致性结构图学习模块，是基于不同权重的相似度矩阵来学习一个带拉普拉斯秩约束的统一图矩阵，该矩阵能充分反应图样本数据的聚类分配结果。
[0012]作为本专利技术的一种实施例，特征权重学习模块，对图像数据集特征矩阵中的不同维度特征进行自适应加权，从而区分不同维度特征的重要性，使得重要的维度特征更加重要，进而减少噪音和离群值对图像样本特征的影响。
[0013]作为本专利技术的一种实施例，动态特征矩阵学习模块，可以用来学习原始图像样本数据的新特征表示，从而充分捕获图像样本之间潜在的关系。获得的新特征表示比原始的特征表示能够更加灵活且具有鲁棒性。
[0014]作为本专利技术的一种实施例，多图学习模块，是基于动态特征矩阵学习模块得到的，可以进一步通过相似度矩阵的学习来反向诱导动态特征的学习，从而相互促进学习到更好的相似度矩阵。
[0015]一般动态特征学习模块和多图学习模块，都是结合使用。
[0016]作为本专利技术的一种实施例，视图权重学习模块，可以通过不同相似度矩阵的重要性来赋予不同的权重，从而使得在统一图的学习过程中，重要的相似度矩阵占据的重要性越多。
[0017]作为本专利技术的一种实施例，一致性结构图学习模块，通过对不同视图的相似度矩阵加权来学习一致性图矩阵，并且通过拉普拉斯制约的存在，一致性图矩阵是带对角块结构的，并且能够直接基于学习得到的一致性结构图来避免k
‑
means算法来得到稳定的图像数据集聚类结果。
[0018]经过上述模块，便可以完成图像数据集的多视角共识图聚类效果。
[0019]本专利技术的有益效果为：
[0020]一种基于结构图的多视图聚类图像识别方法，该方法基于原始特征空间来学习一个动态的特征表示，并通过构造的相似度矩阵来进行动态调整。基于动态特征空间表示，本专利可以充分挖掘数据之间潜在的内部关系，并摆脱原始特征之间固定的距离关系。此外，考虑到不同维度特征的重要性，本专利技术对原始特征进行自适应特征加权来使得其变得更加有区分性，并缓解噪音、离群值的消极影响。然而，为了能够解决传统谱聚类中多个学习阶段相互独立的情况并维持多个视图的局部流形结构，本专利技术考虑利用多个相似度矩阵来进行自适应加权学习带拉普拉斯秩约束的一致性图矩阵。由于拉普拉斯秩约束的存在，学习得到的统一图中的连通分量可以和簇数精确匹配，并维持理想的对角块结构。需要注意的是，统一的图矩阵不仅可以反向改进每个视图的相似度矩阵，也可以直接得到最后的聚类结果。因此，本专利技术可以让多个学习阶段相互交融并达到动态特征学习、多图学习、一致性结构图学习彼此增强的效果，进而大幅度提高图像数据集的聚类性能。
[0021]进一步，对图像数据集特征矩阵中的不同维度特征进行自适应加权，从而区分不同维度特征的重要性，使得重要的维度特征更加重要，进而减少噪音和离群值对图像样本特征的影响。
[0022]进一步，多图学习模块是基于动态特征矩阵学习模块得到的，可以进一步通过相似度矩阵的学习来反向诱导动态特征的学习，从而相互促进学习到更好的相似度矩阵。
[0023]进一步，视图权重学习模块可以通过不同相似度矩阵的重要性来赋予不同的权重，从而使得在统一图的学习过程中，重要的相似度矩阵占据的重要性越多。
附图说明
[0024]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0025]图1为本专利技术实施例中一种基于结构图的多视图聚类图像识别方法的整体模块流程图；
[0026]图2为本专利技术实施例中一种基于结构图的多视图聚类图像识别方法中的特征权重学习模块图；
[0027]图3为本专利技术实施例中一种基于结构图的多视图聚类图像识别方法中多动态特征学习和多图学习模块图；
[0028]图4为本专利技术实施例中一种基于结构图的多视图聚类图像识别方法中的视图权重学习和一致性结构图学习模块图。
[0029]图5为本专利技术实施例中一种基于结构图的多视图聚类图像识别方法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于结构图的多视图聚类图像识别方法，其特征在于，包括依次相连接的特征权重学习模块、动态特征矩阵学习模块、多图学习模块、一致性结构图学习模块和视图权重学习模块；这些模块是个渐进的过程：先是通过特征权重模块学习图像样本特征，再在动态特征矩阵学习模块上基于特征加权的样本学习新的动态特征表示，这个特征表示比原始特征空间更加可靠；而多图学习模块也是直接基于动态特征矩阵学习模块来学多个相似度矩阵的，并可以反向指导动态特征矩阵的学习过程；视图权重学习模块则是为多图学习模块的多个相似度矩阵分配重要性权重，进而保证一致性结构图学习模块过程的中相似度矩阵的多样性。2.根据权利要求1所述一种基于结构图的多视图聚类图像识别方法，其特征在于，所述的特征权重学习模块，考虑对原始特征空间样本进行自适应权重学习，该模块构造如下：进行自适应权重学习，该模块构造如下：其中，对于不同的数据点x
i
(i＝1,2,
…
,n)，图像数据集第v个特征矩阵d
v
,n分别表示特征维度和样本数量；且对应的第v个动态特征矩阵W
v
是自适应特征权重矩阵,可以降低原始特征空间X
v
中噪音和离群值的影响，从而保证动态特征矩阵R
v
的学习质量，并且满足限制条件的学习质量，并且满足限制条件3.根据权利要求1所述一种基于结构图的多视图聚类图像识别方法，其特征在于，所述的动态特征矩阵学习模块，是基于特征加权的特征矩阵学习一个新的动态特征表示，从而充分捕获图像样本之间潜在的关系。4.根据权利要求3所述一种基于结构图的多视图聚类图像识别方法，其特征在于，所述的多图学习模块，是基于动态特征表示学习不同视图的相似度矩阵，从而捕获不同视图数据的拓扑结构；动态特征学习模块和多图学习模块都是相结合的，并且同时基于特征权重学习模块中的特征权重矩阵W
v
::其中，相似度矩阵S
v
，λ1是正则化参数，对于不同的数据点x
i
(i＝1,2,
…
,n)，s
ij
是列向量s
i
∈R1×
n
的第j个元素，图像数据集第v个特征矩阵且对应的第v个动态特征矩阵
W
v
是自适应特征权重矩阵，并且满足限制条件模型(2)中的第一部分的模型就是特征权重学习模块；第一个部分和第二部分相结合并固定特征权重矩...

【专利技术属性】
技术研发人员：陆虎，何子强，
申请(专利权)人：江苏大学，
类型：发明
国别省市：