[发明专利]无参数自动加权多图正则化非负矩阵分解及图像聚类方法

说明书

本发明提供了一种无参数自动加权多图正则化非负矩阵分解及图像聚类方法，其中，无参数自动加权多图正则化非负矩阵分解方法中包括：获取m个图像的图像数据；基于m个图像的图像数据构造q个最邻近图并计算相应的拉普拉斯算子图；根据计算得到的拉普拉斯算子图建立多图正则算子的目标函数；根据建立的多图正则算子的目标函数得到无参数自动加权正则项；根据得到的无参数自动加权正则项建立非负矩阵分解的目标函数；根据非负矩阵分解的目标函数得到两个非负矩阵的迭代式，完成多图正则化非负矩阵的分解。其不但可以为所有的邻域图自动分配一个合适的权值，而且消除了现有正则算子中的固定参数，使其更容易应用到实际问题中，大大扩展了应用领域。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种无参数自动加权多图正则化非负矩阵分解及图像聚类方法。

背景技术

在图像处理，目标分类和内容检索等实际应用中，我们经常需要处理一些高维度数据。然而，传统的聚类和分类方法在低维数据特征空间上性能表现优异，但是它们在处理高维数据时其性能却出现了急剧下降。

几十年来，在数据表达和维度约简方法上，运用最广泛的是主成分分析和线性判别分析。但是，这两种方法都不能发现隐藏在数据中的几何流形结构。

目前，非负矩阵分解是一种非常有效的基于部分表示方法，因其在心理和生理上具有良好的解释性而被广泛应用。它假定每个数据样本都是一系列基的非负线性组合构成。在非负矩阵分解中，由于基向量的系数限定了只能非负，这个限制直接导致了数据的部分表示。但是，非负矩阵分解最主要的缺陷是在变换的数据空间里(如再生核希尔伯特空间)，非负矩阵分解是否能有效地发挥作用。

目前，由多图正则化的非负矩阵分解方法能挖掘数据中固有的几何流形结构信息而受到广泛地应用。该方法根据提供的多个拉普拉斯图的初值估计，赋予不同的权重，使其能逼近固有的几何结构信息。在多个标准图像数据集上的实验结果也证明了多图正则化非负矩阵分解算法的有效性。在实际应用中，该方法需要设置一个多图正则算子的正则化参数。但是，该参数在某个特定数据集上的值并不一定适合于其它出数据库。因此，当使用的数据发生变化时，多图正则算子的正则化参数也需要重新设定，非常的繁琐。

发明内容

针对上述问题，本发明提供了一种无参数自动加权多图正则化非负矩阵分解及图像聚类方法，有效解决现有技术中多图正则算子的正则化参数随数据的变化需要重新设定的技术问题。

本发明提供的技术方案如下：

一种无参数自动加权多图正则化非负矩阵分解方法，包括：

获取m个图像的图像数据；

基于所述m个图像的图像数据构造q个最邻近图并计算相应的拉普拉斯算子图；

根据计算得到的拉普拉斯算子图建立多图正则算子的目标函数；

根据建立的多图正则算子的目标函数得到无参数自动加权正则项；

根据得到的无参数自动加权正则项建立非负矩阵分解的目标函数；

根据所述非负矩阵分解的目标函数得到两个非负矩阵的迭代式，完成多图正则化非负矩阵的分解。

进一步优选地，在步骤根据计算得到的拉普拉斯图像建立多图正则算子的目标函数中，多图正则算子的目标函数具体为：

其中，Tr(·)为矩阵的迹，系数矩阵V∈R^n×k，L_i为第i个图像的拉普拉斯算子图；

在步骤根据建立的多图正则算子的目标函数得到无参数自动加权正则项中，得到的无参数自动加权正则项具体为：

其中，第i个图像的权值