[发明专利]基于聚类自适应典型相关分析的多视角图像聚类方法

说明书

本发明公开了一种基于聚类自适应典型相关分析的多视角图像聚类方法，主要是构建多视角典型相关分析和聚类的自适应优化模型，解决聚类任务中多视角相关学习的聚类不适应性问题，从而提高多视角图像的聚类性能。实现过程为：(1)初始化原始高维样本的类标签指示矩阵；(2)迭代求解相关投影矩阵、类质心矩阵和类标签指示矩阵；(3)基于求解的类标签指示矩阵，直接获得聚类结果。与现有技术相比，本发明提出的多视角图像聚类方法更具有效性和鲁棒性。

技术领域

本发明涉及多视角联合维数约减和图像聚类等技术领域，具体为一种基于聚类自适应典型相关分析的多视角图像聚类方法。可应用于图像检索、数据挖掘及模式识别等领域。

背景技术

在模式识别和机器学习领域，如何有效降低多视角数据的维数仍然是一个具有挑战性的研究课题。在所有解决问题的方法中，典型相关分析(Canonical CorrelationAnalysis，CCA)发挥着重要作用。该方法首先由Hotelling提出，用于分析两个变量之间的相关性。到目前为止，学者们已经提出了许多与CCA的变体，以适应不同的实际应用。作为经典的两视图降维方法，CCA难以同时处理两个以上的视图。为了突破这一局限，学者将CCA扩展到多视角CCA(Multi-view CCA，MCCA)。在不同的研究中，MCCA也称为多集CCA或多模态CCA。在许多学者的努力下，MCCA已被广泛应用于许多实际应用中，例如人类情感识别、机器人定位、医学图像分析等。为了更好地适应这些应用，学者们还提出了一些MCCA的变体，在多视角相关分析框架下的MCCA改进主要集中在判别性信息嵌入、局部结构保留、核技术和投影方向正交性等方面。

对于高维多视角数据，聚类通常是首先借助多视角相关学习方法来同时降低多视角数据的维数，然后利用聚类方法对低维数据进行分类。由于在这类方法中多视角相关学习与聚类是相互独立的，这类方法存在多视角相关学习与聚类不具有适应性的问题，这将影响最终的聚类性能。MCCA是一种经典的多视角相关学习方法，然而在聚类任务中同样存在MCCA与聚类的不适应性问题。为此，本发明构建了MCCA和聚类的自适应优化模型，并利用迭代求解直接获得类标签指示矩阵的解析解，从而实现在联合维数约减的过程中直接获得聚类结果，有效解决了聚类不适应性的问题，图像聚类的实验揭示，本发明方法能够明显提高图像聚类的聚类精准度。

发明内容

为了有效克服聚类任务中多视角相关学习的聚类不适应性。本发明提出了一种基于聚类自适应典型相关分析的多视角图像聚类方法，该方法构造了一个MCCA和聚类的自适应优化模型。不仅实现了在无监督情况下的相关投影方向的判别学习，而且能够直接获得高维多视角数据的类标签。另外，利用类标签指示矩阵的解析解，该方法能够进一步实现类标签中的样本外扩展，即对于新加入的样本，能够借助类标签指示矩阵的解析解快速获得对应的类标签。大量实验结果能够揭示该方法的有效性。本发明的具体实现步骤如下：

1、将多个视角的每幅图转化为列向量，以构成样本矩阵其中M是视角的数量，X⁽ⁱ⁾是第i(i＝1,2,…,M)视角的样本矩阵，d_i是X⁽ⁱ⁾的样本维数，代表X⁽ⁱ⁾第u(u＝1，2，…，N)个样本。是对应于同一个目标x_u(u＝1，2，…,N)的M个样本；

2、构建MCCA和聚类的自适应优化模型。

构建MCCA和聚类的自适应优化模型的具体过程如下：

(2a)构建针对多视角数据的k-means优化因子：