[发明专利]一种可伸缩性的图像聚类方法

权利要求书

1.一种可伸缩性的图像聚类方法，其特征在于，包括以下步骤：

S1：选取图像数据集X并对其进行归一化，将归一化后的数据集X进行p次快速聚类运算,获得p个基本聚类的标签向量分别为y¹,y²,y³,...,y^p，组成标签矩阵Y＝[y¹,y²,y³...y^p]，其中p为大于0的正整数；

S2：将标签矩阵Y转化成一个二进制的稀疏矩阵Y^*；

S3：采用快速聚类运算对Y^*聚类成n个聚类分区，选取每一个聚类分区的聚类中心点作为代表点放入到矩阵R中，并保留图像数据集X中每一个原始图像数据对应的标签向量T作为代表点与图像数据集X中的原始图像数据的对应关系；

S4：利用矩阵R构建相似矩阵S，将相似矩阵S代入鲁棒集成谱聚类模型中得到目标函数，并对目标函数进行迭代优化运算；

S5：迭代优化直到最后目标函数收敛为止，将最后得到的目标函数中的标示矩阵H进行快速聚类运算，并保留聚类后每个聚类分区的聚类标签，得到标签矩阵P；

S6：将图像数据集X中的原始图像数据和标签矩阵P联系起来，并将迭代后的标示矩阵H聚类后聚类分区的代表点所代表的图像数据集X中的原始图像数据分配到S5中的聚类分区中，得到最后的聚类结果。

2.根据权利要求1所述的一种可伸缩性的图像聚类方法，其特征在于，快速聚类算法为K-means聚类算法。

3.根据权利要求1所述的一种可伸缩性的图像聚类方法，其特征在于，S4中利用矩阵R构建相似矩阵S的公式为：

4.根据权利要求1所述的一种可伸缩性的图像聚类方法，其特征在于，S4中将相似矩阵S代入鲁棒集成谱聚类模型中得到可伸缩性鲁棒集成谱聚类模型目标函数的计算公式为：

其中，tr为转迹，H∈n×k为标示矩阵，代表最后的全局聚类效果；L_z是标准化的拉普拉斯矩阵；Z∈n×n是学习到的系数矩阵；E∈n×n是误差矩阵，包含了相似矩阵S中的数据噪点；λ₁和λ₂是增广拉格朗日中的惩罚系数；D_z是度矩阵用来计算每个数据点之间相连边的个数：

D_z＝diag([d₁,...,d_n])

d_i是矩阵(Z+Z^T)/2+HH^T第i行所有数相加的总和，1≤i≤n。

5.根据权利要求4所述的一种可伸缩性的图像聚类方法，其特征在于，采用ADMM对所述目标函数进行迭代优化求解。