[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

权利要求书

1.一种无参数自动加权多图正则化非负矩阵分解方法，其特征在于，所述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；

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

2.如权利要求1所述的无参数自动加权多图正则化非负矩阵分解方法，其特征在于，在步骤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中，非负矩阵分解的目标函数具体为：

其中，X为邻域图的数据矩阵，α为正则化参数，τ_i为第i个图的权值，基矩阵U∈R^m×k。

3.如权利要求2所述的无参数自动加权多图正则化非负矩阵分解方法，其特征在于，在步骤根据所述非负矩阵分解的目标函数得到两个非负矩阵和权重的迭代式中，包括：

根据所述非负矩阵分解的目标函数建立拉格朗日函数L：

其中，Ψ＝[ψ_ik]，Φ＝[φ_ik]；

分别对基矩阵U和系数矩阵V求偏导，使用Karush-Kuhn-Tucker条件φ_jkν_jk＝0，分别得到基矩阵U和系数矩阵V的迭代式：

4.如权利要求3所述的无参数自动加权多图正则化非负矩阵分解方法，其特征在于，在步骤分别对矩阵U和矩阵V求偏导，使用Karush-Kuhn-Tucker条件φ_jkν_jk＝0，得到两个非负矩阵的迭代式之后，还包括：

根据初始化权重、基矩阵U和系数矩阵V的迭代式及权重τ_i进行循环迭代；

循环达到预先设定的迭代次数t之后，输出基矩阵U和系数矩阵V，完成多图正则化非负矩阵的分解。

5.一种图像聚类方法，其特征在于，所述图像聚类方法中包括：

从图像库中提m个图像，并构造q个最邻近图；

采用如权利要求1-4任意一项所述的无参数自动加权多图正则化非负矩阵分解方法得到系数矩阵V；

利用k-means算法对系数矩阵V进行分析，完成图像聚类。