[發(fā)明專利]一種基于核二維嶺回歸子空間聚類的圖像處理方法

有效

• 申請?zhí)枺?/td>: 202011369955.6
• 申請日: 2020-11-30
• 公開（公告）號: CN112488187B
• 公開（公告）日: 2022-03-01
• 發(fā)明（設計）人: 彭沖;陳程立詔;魏偉波;張倩;費可可;張逸群;張靜
• 申請（專利權）人: 青島大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/77;G06V10/764
• 代理公司: 成都方圓聿聯(lián)專利代理事務所(普通合伙) 51241
• 代理人: 宋紅賓

本發(fā)明公開了一種基于核二維嶺回歸子空間聚類的圖像處理方法，包括以下步驟：S1.對于數(shù)據(jù)集中的每一個樣本采用嶺回歸模型尋求數(shù)據(jù)的低維表示；S2.引入一個投影矩陣p，將數(shù)據(jù)投影到多個子空間中，從而得到數(shù)據(jù)信息最豐富的二維特征；S3.引入核方法，充分考慮數(shù)據(jù)的非線性結構,建立了一個非線性模型；S4.提出一個交替最小化算法來進行優(yōu)化：交替進行求解，對一個變量進行求解的時候，保持其他變量不變，重復這個過程直到收斂；S5.利用譜聚類的方法對系數(shù)矩陣Z進行聚類，得到最終的聚類結果。本發(fā)明中特征學習和低維表示構造相結合且相互增強，引入了核方法，提高了模型的非線性關系捕獲能力，有助于提高圖像處理的準確性。

技術領域

本發(fā)明屬于圖像模式識別領域，特別是提出一種基于核二維嶺回歸子空間聚類的圖像處理方法。

背景技術

近年來，子空間聚類方法得到了廣泛的研究，其中基于譜聚類的方法是最常用的。當數(shù)據(jù)是二維(2D)的，即每個數(shù)據(jù)樣本都是一個矩陣時，現(xiàn)有的子空間聚類方法通常將它們轉換為一維向量。LRR和SSC的基本思想是數(shù)據(jù)的自我表達，這意味著數(shù)據(jù)可以相對于數(shù)據(jù)本身的字典來表示。根據(jù)表示矩陣的特殊結構要求，LRR和SSC的學習表示矩陣具有低秩性和稀疏性。在理想情況下，這種低秩或稀疏結構清楚地顯示了數(shù)據(jù)的組信息。因研究秩近似的核范數(shù)不精確，使LRR學習數(shù)據(jù)精確結構的能力降低。為了克服這一缺點，最近人們提出了各種更精確的秩函數(shù)非凸逼近，如對數(shù)行列式秩逼近，這顯著地改善了學習性能。研究表明特征學習對子空間聚類的重要性，尋求在潛在的低維空間中的數(shù)據(jù)的稀疏表示，從而得到數(shù)據(jù)信息最豐富的特征。為了考慮數(shù)據(jù)的非線性結構，人們嘗試了各種方法。例如，在LRR中引入了grpah Laplacian算子，分別在LRR和SSC中引入了核函數(shù)，在非線性特征空間中尋求數(shù)據(jù)的稀疏表示。這些方法在二維數(shù)據(jù)的預處理階段進行向量化的操作，嚴重損失了數(shù)據(jù)的結構信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提出一種基于核二維嶺回歸子空間聚類的圖像處理方法，直接使用原始的二維數(shù)據(jù)而不是矢量化的數(shù)據(jù)作為輸入，學習表示從數(shù)據(jù)的二維信息中獲得，這有助于提高圖像處理的準確性。

本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：一種基于核二維嶺回歸子空間聚類的圖像處理方法，包括以下步驟：

S1.設待處理的圖像共n張，對于每張待處理的圖像，將其每個像素點上所對應的灰度值存儲在二維矩陣的相應位置上，這就形成該圖像對應的樣本，n張圖像共形成n個樣本，組成數(shù)據(jù)集

對于一個數(shù)據(jù)集中每一個樣本X_i∈R^a*b,采用如下的嶺回歸模型尋求數(shù)據(jù)的低維表示：

其中是Forbenius范數(shù)，γ是一個平衡參數(shù)；X_i為數(shù)據(jù)集的第i個樣本，X_j為數(shù)據(jù)集的第j個樣本，Z表示系數(shù)矩陣,若X_i∈R^a*b，則Z∈R^b*b，z_ji表示Z矩陣的第j行第i列；R^a*b代表矩陣大小為a行b列，R^b*b代表矩陣大小為b行b列；表示在系數(shù)矩陣Z的基礎上求最小值；

S2.引入一個投影矩陣p，將數(shù)據(jù)投影到多個子空間中，從而得到數(shù)據(jù)信息最豐富的二維特征；