[發明專利]基于聚類自適應典型相關分析的多視角圖像聚類方法

有效

• 申請號: 202010170499.6
• 申請日: 2020-03-12
• 公開（公告）號: CN111401429B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 蘇樹智;王子瑩;朱彥敏;高鵬連;平昕瑞;郜一瑋
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06V10/77
• 分類號: G06V10/77;G06V10/762
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于聚類自適應典型相關分析的多視角圖像聚類方法，主要是構建多視角典型相關分析和聚類的自適應優化模型，解決聚類任務中多視角相關學習的聚類不適應性問題，從而提高多視角圖像的聚類性能。實現過程為：(1)初始化原始高維樣本的類標簽指示矩陣；(2)迭代求解相關投影矩陣、類質心矩陣和類標簽指示矩陣；(3)基于求解的類標簽指示矩陣，直接獲得聚類結果。與現有技術相比，本發明提出的多視角圖像聚類方法更具有效性和魯棒性。

技術領域

本發明涉及多視角聯合維數約減和圖像聚類等技術領域，具體為一種基于聚類自適應典型相關分析的多視角圖像聚類方法。可應用于圖像檢索、數據挖掘及模式識別等領域。

背景技術

在模式識別和機器學習領域，如何有效降低多視角數據的維數仍然是一個具有挑戰性的研究課題。在所有解決問題的方法中，典型相關分析(Canonical?CorrelationAnalysis，CCA)發揮著重要作用。該方法首先由Hotelling提出，用于分析兩個變量之間的相關性。到目前為止，學者們已經提出了許多與CCA的變體，以適應不同的實際應用。作為經典的兩視圖降維方法，CCA難以同時處理兩個以上的視圖。為了突破這一局限，學者將CCA擴展到多視角CCA(Multi-view?CCA，MCCA)。在不同的研究中，MCCA也稱為多集CCA或多模態CCA。在許多學者的努力下，MCCA已被廣泛應用于許多實際應用中，例如人類情感識別、機器人定位、醫學圖像分析等。為了更好地適應這些應用，學者們還提出了一些MCCA的變體，在多視角相關分析框架下的MCCA改進主要集中在判別性信息嵌入、局部結構保留、核技術和投影方向正交性等方面。

對于高維多視角數據，聚類通常是首先借助多視角相關學習方法來同時降低多視角數據的維數，然后利用聚類方法對低維數據進行分類。由于在這類方法中多視角相關學習與聚類是相互獨立的，這類方法存在多視角相關學習與聚類不具有適應性的問題，這將影響最終的聚類性能。MCCA是一種經典的多視角相關學習方法，然而在聚類任務中同樣存在MCCA與聚類的不適應性問題。為此，本發明構建了MCCA和聚類的自適應優化模型，并利用迭代求解直接獲得類標簽指示矩陣的解析解，從而實現在聯合維數約減的過程中直接獲得聚類結果，有效解決了聚類不適應性的問題，圖像聚類的實驗揭示，本發明方法能夠明顯提高圖像聚類的聚類精準度。

發明內容

為了有效克服聚類任務中多視角相關學習的聚類不適應性。本發明提出了一種基于聚類自適應典型相關分析的多視角圖像聚類方法，該方法構造了一個MCCA和聚類的自適應優化模型。不僅實現了在無監督情況下的相關投影方向的判別學習，而且能夠直接獲得高維多視角數據的類標簽。另外，利用類標簽指示矩陣的解析解，該方法能夠進一步實現類標簽中的樣本外擴展，即對于新加入的樣本，能夠借助類標簽指示矩陣的解析解快速獲得對應的類標簽。大量實驗結果能夠揭示該方法的有效性。本發明的具體實現步驟如下：

1、將多個視角的每幅圖轉化為列向量，以構成樣本矩陣其中M是視角的數量，X⁽ⁱ⁾是第i(i＝1,2,…,M)視角的樣本矩陣，d_i是X⁽ⁱ⁾的樣本維數，代表X⁽ⁱ⁾第u(u＝1，2，…，N)個樣本。是對應于同一個目標x_u(u＝1，2，…,N)的M個樣本；

2、構建MCCA和聚類的自適應優化模型。

構建MCCA和聚類的自適應優化模型的具體過程如下：

(2a)構建針對多視角數據的k-means優化因子：