[發(fā)明專利]基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810549602.0
• 申請(qǐng)日: 2018-05-31
• 公開(kāi)（公告）號(hào): CN108776812A
• 公開(kāi)（公告）日: 2018-11-09
• 發(fā)明（設(shè)計(jì)）人: 王秀美;張?zhí)煺?/a>;高新波;張?jiān)矫?/a>;郭丁寧;李潔;鄧成;田春娜
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 陳宏社;王品華

1.一種基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類方法，其特征在于，包括如下步驟：

(1)獲取原始圖像集的非負(fù)多視圖數(shù)據(jù)

提取原始圖像集中每幅圖像的多種圖像特征，得到原始圖像集的非負(fù)多視圖數(shù)據(jù)其中，m表示第m個(gè)視圖，且m＝1,2,…,n_v，n_v表示視圖的數(shù)目；

(2)對(duì)非負(fù)多視圖數(shù)據(jù)進(jìn)行歸一化：

對(duì)非負(fù)多視圖數(shù)據(jù)中的每個(gè)視圖數(shù)據(jù)進(jìn)行歸一化，得到歸一化后的多視圖數(shù)據(jù)

(3)構(gòu)建多視圖數(shù)據(jù)對(duì)應(yīng)的基矩陣和系數(shù)矩陣

對(duì)多視圖數(shù)據(jù)中的每個(gè)視圖數(shù)據(jù)進(jìn)行譜聚類，得到對(duì)應(yīng)的基矩陣和系數(shù)矩陣

(4)構(gòu)建多視圖數(shù)據(jù)對(duì)應(yīng)的類標(biāo)指示矩陣F：

構(gòu)建多視圖數(shù)據(jù)對(duì)應(yīng)的拉普拉斯矩陣并對(duì)中所有拉普拉斯矩陣的和進(jìn)行奇異值分解，得到多視圖數(shù)據(jù)對(duì)應(yīng)的類標(biāo)指示矩陣F；

(5)構(gòu)建基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類的目標(biāo)函數(shù)：

(5a)利用多視圖數(shù)據(jù)基矩陣和系數(shù)矩陣構(gòu)造非負(fù)矩陣分解的重構(gòu)誤差項(xiàng)；

(5b)利用希爾伯特-施密特獨(dú)立準(zhǔn)則，通過(guò)系數(shù)矩陣構(gòu)造表示多樣性約束項(xiàng)；

(5c)利用流形正則化方法，通過(guò)系數(shù)矩陣和拉普拉斯矩陣構(gòu)造相似性保持項(xiàng)；

(5d)利用譜聚類方法，通過(guò)拉普拉斯矩陣和類標(biāo)指示矩陣F，構(gòu)造類標(biāo)一致性約束項(xiàng)；

(5e)獲取基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類的目標(biāo)函數(shù)：

設(shè)置表示多樣性約束項(xiàng)的權(quán)重為λ₁，相似性保持項(xiàng)的權(quán)重為λ₂，類標(biāo)一致性約束項(xiàng)的權(quán)重為λ₃，并對(duì)非負(fù)矩陣分解的重構(gòu)誤差項(xiàng)、表示多樣性約束項(xiàng)、相似性保持項(xiàng)和類標(biāo)一致性約束項(xiàng)進(jìn)行加權(quán)相加，得到基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類的目標(biāo)函數(shù)，其中，λ₁、λ₂和λ₃的取值范圍為[0,1]；

(6)獲取基矩陣系數(shù)矩陣和拉普拉斯矩陣的迭代更新表達(dá)式：

(6a)構(gòu)建基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類的目標(biāo)函數(shù)對(duì)應(yīng)的拉格朗日函數(shù)

(6b)利用拉格朗日函數(shù)對(duì)基矩陣系數(shù)矩陣和拉普拉斯矩陣分別進(jìn)行交替迭代，得到的迭代更新表達(dá)式E₁、的迭代更新表達(dá)式E₂和的迭代更新表達(dá)式E₃；

(7)獲取類標(biāo)指示矩陣F的最優(yōu)值F^*：

(7a)設(shè)定目標(biāo)函數(shù)差值的閾值和最大迭代次數(shù)；

(7b)定義E₁對(duì)的一次迭代更新、E₂對(duì)的一次迭代更新和E₃對(duì)的一次迭代更新，為對(duì)和的一次迭代；

(7c)對(duì)和進(jìn)行多次迭代，并計(jì)算每次迭代后基于非負(fù)矩陣分解和多樣-一致性的多視圖聚類的目標(biāo)函數(shù)的值，直到迭代次數(shù)達(dá)到最大迭代次數(shù)或者兩次迭代后的目標(biāo)函數(shù)的差值小于設(shè)定的閾值，停止迭代，得到更新后的基矩陣系數(shù)矩陣和拉普拉斯矩陣

(7d)計(jì)算類標(biāo)指示矩陣F的最優(yōu)值F^*：

(7d1)計(jì)算拉普拉斯矩陣中所有拉普拉斯矩陣的和M：

(7d2)對(duì)M進(jìn)行奇異值分解，對(duì)分解得到的多個(gè)特征值按照從小到大的順序排列，并計(jì)算前C個(gè)特征值中每個(gè)特征值對(duì)應(yīng)的特征向量，得到C個(gè)特征向量，其中，C為聚類簇的個(gè)數(shù)，且C≥1；

(7d3)將C個(gè)特征向量對(duì)應(yīng)的C個(gè)特征值按照從小到大的順序排列，得到特征矩陣，并將該特征矩陣作為類標(biāo)指示矩陣F的最優(yōu)值F^*；

(8)對(duì)類標(biāo)指示矩陣F的最優(yōu)值F^*進(jìn)行K-均值聚類，得到多視圖數(shù)據(jù)對(duì)應(yīng)的聚類簇。