一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法技术

一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，属于多媒体信息处理中的场景图像数据聚类处理领域，首先对每个视角的数据随机采样，得到锚集和非锚集，然后用稀疏子空间模型求解边权矩阵，构建基础局部非完备锚图

【技术实现步骤摘要】
一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法


[0001]本专利技术属于多媒体信息处理中的场景图像数据处理领域，具体涉及一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法
。

技术介绍

[0002]在多媒体信息处理领域，场景图像数据是一种广泛可获取的数据，对场景图像数据进行多视角分析，可以挖掘出场景不同角度特点
、
场景间异同等潜在类别信息
。
在众多多视角数据学习技术中，多视角聚类是其中最流行的技术之一，它可以利用多个视角的信息，对数据进行无监督聚类，并能适用于多种实际应用
。
然而，在多视角场景图像数据的采集过程中，可能会出现信息丢失或者数据来源不全面等情况，导致每个样本在不同视角下的可获得性不一致，从而引发多视角场景数据的非完备问题
。
因为现有多视角聚类方法仅能处理完备多视角场景数据聚类问题，所以需要有效的新颖技术方法解决非完备多视角场景图像数据的聚类问题
。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，其特征在于，所述方法包括步骤：
[0004]对非完备多视角场景图像数据集提取每个视角的存在样本
。
[0005]对每个视角的存在样本随机采样得到锚集
、
非锚集以及非锚索引集，并在锚集和非锚集的基础上构造基础局部非完备锚图
。
[0006]通过求解稀疏子空间模型得到基础局部非完备锚图的边权矩阵
。
[0007]多次重复前两个步骤，得到多个基础局部非完备锚图，并根据非锚索引集将其加权平均融合，得到每个视角的局部非完备锚图
。
[0008]根据样本缺失指示矩阵，将所有视角的局部非完备锚图进行加权平均融合，得到基础全局完备锚图
。
[0009]多次重复前四个步骤，得到多个基础全局完备锚图，并进行加权平均，得到全局完备锚图
。
[0010]对所得的全局完备锚图的边权矩阵进行奇异值分解，并选取左奇异向量的前
c
个分量进行
K
均值聚类
(c
是类簇个数
)
，得到最终聚类结果
。
最后，对最终聚类结果计算其聚类准确率
。
[0011]进一步地，将所述对非完备多视角场景图像数据集中提取的每个视角的存在样本定义为：
[0012][0013]其中，表示所有视角的存在样本特征矩阵，是视角
v
的存在特征矩阵，
n
v
是视
角
v
的存在样本数，
d
v
是视角
v
的特征维度，
m
是视角数
。
[0014]进一步地，所述非锚集与基础局部非完备锚图定义如下：
[0015][0016]其中，
v
表示一个视角，
j
表示基础局部非完备锚图的下标，表示锚集，表示非锚集，表示所有样本，表示基础局部非完备锚图
。
[0017]进一步地，所述基础局部完备锚图的边权矩阵的表达式为：
[0018][0019]其中，表示第
j
个基础局部非完备锚图的边权矩阵，表示相应的非锚集特征矩阵，表示相应锚集的特征矩阵；约束条件要求的元素大于或等于0，且的任一行元素之和为
1。
[0020]进一步地，所述非锚索引集和加权平均融合的表达公式为：
[0021][0022]其中，
v
表示某一个视角，
i
表示某一个样本的下标，表示样本
i
的非锚索引集，
Z
(v)
表示局部非完备锚图的边权矩阵，表示第
j
个基础局部非完备锚图，表示样本
i
在第
j
个基础局部非完备锚图中的所有边权，表示集的元素个数
。
[0023]进一步地，所述加权平均融合的表达公式为：
[0024][0025]其中，
i
表示基础全局完备锚图的下标，
v
表示某一个视角，
k
表示某一个样本的下标，表示样本
k
的存在视角集，
M
表示样本缺失指示矩阵，
M[k,v]表示矩阵
M
的第
k
行第
v
列的元素，即样本
k
的视角
v
是否存在，表示第
i
个基础完备锚图的边权矩阵，表示样本
k
在第
i
个基础完备锚图中的所有边权，表示集合的元素个数
。
[0026]进一步地，所述加权平均的表达公式为：
[0027][0028]其中，表示第
i
个基础全局完备锚图，
Z
*
表示全局完备锚图
。
[0029]进一步地，根据所述最终聚类结果，计算其聚类准确率
。
[0030]本专利技术提供了一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类
方法，具有以下优势：
[0031](1)
所述方法采用了多视角聚类框架，充分利用非完备多视角场景图像数据集的视角一致性和差异性，有效挖掘潜在类簇结构
。
[0032](2)
所述方法采用了随机锚点选取技术获得锚集
、
非锚集，并在其基础上构造基础局部非完备锚图，不仅降低了计算复杂度和内存消耗，而且有效减轻了非完备多视角场景图像数据的影响
。
[0033](3)
所述方法采用了局部集成和全局集成技术，通过构建完整统一的全局完备锚图来建立起样本之间的相似关系，缓解了非对齐锚点的问题并提高了聚类的鲁棒性
。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0035]图1是本专利技术提供的基于局部和全局锚图集成的非完备多视角场景图像数据进行聚类方法的流程图；
[0036]图2是
Scene
‑
15
场景图像部分数据集的示意图；
[0037]图3是本专利技术对比已有方法在五种非完备样本占比的
Scene
‑
15
数据集上的聚类准确率
。
具体实施方式
[0038]为使本专利技术的目的
、
技术方案和优点更加清楚明了，下面结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，其特征在于，所述方法包括步骤：对非完备多视角场景图像数据集提取每个视角的存在样本
。
对每个视角的存在样本随机采样得到锚集
、
非锚集以及非锚索引集，并在锚集和非锚集的基础上构造基础局部非完备锚图
。
通过求解稀疏子空间模型得到基础局部非完备锚图的边权矩阵
。
多次重复前两个步骤，得到多个基础局部非完备锚图，并根据非锚索引集将其加权平均融合，得到每个视角的局部非完备锚图
。
根据样本缺失指示矩阵，将所有视角的局部非完备锚图进行加权平均融合，得到基础全局完备锚图
。
多次重复前四个步骤，得到多个基础全局完备锚图，并进行加权平均，得到全局完备锚图
。
对所得的全局完备锚图的边权矩阵进行奇异值分解，并选取左奇异向量的前
c
个分量进行
K
均值聚类
(c
是类簇个数
)
，得到最终聚类结果
。
最后，对最终聚类结果计算其聚类准确率
。2.
根据权利要求1所述的基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，其特征在于，对非完备多视角
Scene
场景图像数据集提取每个视角的存在样本：其中，表示所有视角的存在样本特征矩阵，是视角
v
的存在特征矩阵，
n
v
是视角
v
的存在样本数，
d
v
是视角
v
的特征维度，
m
是视角数
。3.
根据权利要求1所述的基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，其特征在于，通过对每一视角的存在样本随机采样得到锚集与非锚集，并在锚集与非锚集之间构造基础局部非完备锚图
。
所述锚集
、
非锚集
、
基础局部非完备锚图的定义如下：其中，
v
表示某一个视角，
j
表示基础局部非完备锚图的下标，表示锚集，表示非锚集，表示所有存在样本，表示基础局部非完备锚图
。4.
根据权利要求1所述的基于局部和全局锚图集成的非完备多视角场景图像数据聚类方法，其特征在于，通过求解稀疏子空间模型得到基础局部非完备锚图的边权矩阵
。
该最优化问题定义如下：其中，表示第
j
个基础局部非完备锚图的边权矩阵，表示相应的非锚集特征矩阵，表示相应的锚集特征矩阵，约束条件要求的元素大于或等于0，且的任一行元素之和为
1。5.
根据权利要求1所述的基于局部和全局锚图...

【专利技术属性】
技术研发人员：李骜，许浩越，冯聪，叶海天，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：