一种基于子空间聚类的数据处理方法技术

本发明专利技术公开了一种基于子空间聚类的数据处理方法，包括步骤：对于需要进行子空间聚类的全部数据，提取其中的特征点；对所提取的全部特征点归一化处理，获得特征点矩阵；为经过归一化处理的每个特征点x建立一个近邻集Ω；根据每个特征点x的近邻集Ω，构建全部特征点间的相似度矩阵W；计算全部特征点间的相似度矩阵W对应的拉普拉斯矩阵L，并对每个拉普拉斯矩阵L进行谱聚类分割，获得每个特征点的类别标号，实现对全部数据的子空间聚类处理。本发明专利技术公开的一种基于子空间聚类的数据处理方法，其在保证高精度的同时，高效地对大规模数据进行聚类处理，满足大规模数据处理需求，很好地适用于图像处理、计算机视觉和图像运动分割等数据处理领域。

【技术实现步骤摘要】

本专利技术涉及模式识别、数字图像处理等数据处理
，特别是涉及一种基于 子空间聚类的数据处理方法。
技术介绍
目前，聚类分析是数据挖掘领域中的关键技术之一。高维数据聚类是聚类分析技 术的难点和重点，子空间聚类是实现高维数据集聚类的有效途径，它是在高维数据空间中 对传统聚类算法的一种扩展，其思想是将搜索局部化在相关维中进行。子空间聚类技术因 其在现实生活中的适用性而在图像分割、运动分割、人脸聚类、图像压缩与表示等方面具有 广泛的应用。子空间聚类的目的是是寻找位于混合高维空间中的聚类，其基本假设是高维 空间中的点往往分布于多个不同的低维子空间中，而每个低维子空间即为一个类。 对于基于谱聚类的子空间聚类方法，目前由于其优异的性能而备受关注，国内外 领先的子空间聚类算法大多属于这一类。基于谱聚类的子空间聚类方法通常分为两个步 骤：首先对输入的特征点计算一个亲和力矩阵，用于度量特征点之间的相关性；然后对此 亲和力矩阵应用谱聚类算法得到聚类分割结果。基于谱聚类的子空间聚类算法主要差异在 于不同的亲和力矩阵构建方法。而亲和力矩阵的构建方法可以分为两类，第一类方式是： 将每个特征数据表示为其他特征数据的线性组合，从而将这些线性组合稀疏作为亲和力的 度量。求解这种线性组合的过程往往依赖于最优化理论，因此这种方法被称为基于最优化 的亲和力矩阵构建方法。第二类构建亲和力矩阵的方法则不经过优化过程，而是使用贪婪 算法直接为每个特征数据选择一批相近特征数据作为其近邻集，然后以特征数据是否在其 近邻集内的所属关系来构建亲和力矩阵。这类方法的计算过程相比基于最优化的方法要简 化很多，因此，具有计算速度快的优点，但是由于贪婪算法只能达到单步最优的特征，其聚 类结果往往容易收到噪声点的影响，因此，严重影响到聚类的效果，其所取得的聚类精度较 低，无法满足人们的使用需求。 如今，随着大数据时代的来临，人们需要处理的数据规模往往非常大，因此，人们 对基于聚类算法的数据处理方法提出了更要的要求，要求不仅高效，而且具有更高的聚类 精度。因此，目前现有的基于谱聚类的子空间聚类的数据处理方法中，基于最优化的方法时 间复杂度较高，而基于贪婪算法的方法聚类结果易受噪声点影响，鲁棒性不强，因此现有的 子空间聚类数据处理方法并不适用于大规模数据的处理。 因此，目前迫切需要开发出一种方法，其可以在保证高精度的同时，快速、有效地 对大规模的数据进行聚类处理，可以满足人们的大规模数据处理需求，节约人们宝贵的时 间。
技术实现思路
有鉴于此，本专利技术的目的是提供，其可以在 保证高精度的同时，快速、有效地对大规模的数据进行聚类处理，可以满足人们的大规模数 据处理需求，节约人们宝贵的时间，可以很好地适用于图像处理、计算机视觉和图像运动分 割等数据处理领域，具有重大的生产实践意义。 为此，本专利技术提供了，包括以下步骤： 第一步：对于需要进行子空间聚类的全部数据，提取其中的特征点； 第二步：对所提取的全部特征点进行归一化处理，获得特征点矩阵； 第三步：为经过归一化处理的每个特征点X建立一个近邻集Ω，每个所述近邻集 Ω包含与其所归属特征点X所在的子空间距离最近的、预设数量的样本特征点； 第四步：根据每个特征点X的近邻集Ω，对应构建全部特征点间的相似度矩阵W ; 第五步：计算全部特征点间的相似度矩阵W对应的拉普拉斯矩阵L，并对每个拉普 拉斯矩阵L进行谱聚类分割，获得每个特征点的类别标号，实现对全部数据的子空间聚类 处理。 其中，所述第二步具体为：将全部特征点分别除以自己的模长，获得对应的单位向 量，然后以获得的单位向量代替原特征点作为新的特征点，最终获得特征点矩阵X e Rdxn; 其中，D为特征维度，N为特征点数量，X的每一列即对应一个特征点的特征向量。 其中，所述第三步具体包括以下步骤： 步骤A)以经过归一化处理的每个特征点X为中心样本特征点，为每个特征点X构 建初始化的近邻集Ω ; 步骤B)根据近邻集Ω内包含的样本特征点，确定所述中心样本特征点X所在子 空间U的正交基，实现对子空间U张成的更新； 步骤C)对于不在中心样本特征点X近邻集Ω内的所有特征点，逐一计算它们到 中心样本特征点X的子空间U的投影，在子空间U上投影长度最大的特征点即为距离子空 间U最近的样本特征点，将与当前所述中心样本特征点X所在的子空间距离最近的样本特 征点新添加到近邻集Ω中； 步骤D)计算所述近邻集Ω中的每个样本特征点与中心样本特征点X的亲和力， 如果所述近邻集Ω中与中心样本特征点X的亲和力最低的样本特征点不是新添加到近邻 集Ω中的样本特征点，则从近邻集Ω中删除该样本特征点，然后返回执行步骤B)，直到所 述近邻集Ω中所有样本特征点的数量达到预设数量。 其中，所述步骤A)包括以下步骤： 首先将每个特征点X作为中心样本特征点，并将自身加入到初始化的近邻集Ω 内； 对于除中心样本特征点X外的其余特征点，选取距中心样本特征点X最近的P个 特征点，P为预设的大于1的整数，根据稀疏表示目标函数min I I c I I t. X = X(P)c，逐一计 算所述距中心样本特征点X最近的P个特征点对中心样本特征点X的重构系数，并选择其 中重构系数c最大项对应的特征点作为除中心样本特征点X外加入近邻集Ω的第一个样 本特征点，从而为每个中心样本特征点X构建初始化的近邻集Ω。 其中，在所述步骤B)中，所述子空间U的正交基按增量方式计算得到，具体正交基 的计算公式如下： CN 105139031 A IX m "ti 3/8 页 - :5 其中，为加入近邻集Ω的最后一个特征点·与正交基nk的内 积。。 其中，在所述步骤C)中，对于不在中心样本特征点X近邻集Ω内的所有特征点， 其在子空间U上的投影长度按以下公式计算： 其中，m为当前中心样本特征点X的子空间的维度，〈X，n k>为X与正交基n k的 内积。。 其中，在所述步骤D)中，计算所述近邻集Ω中的每个样本特征点与中心样本特征 点X的亲和力的公式如下： 其中，ΧΩ*由位于近邻集Ω内的特征点构成的矩阵，碎为乂，的Moore-Penrose 伪逆矩阵，?1指难的第k行，Ck即为近邻集Ω中第k个特征点与中心样本特征点X的 亲和力。 其中，所述第四步具体包括以下步骤：[003当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种基于子空间聚类的数据处理方法，其特征在于，包括以下步骤：第一步：对于需要进行子空间聚类的全部数据，提取其中的特征点；第二步：对所提取的全部特征点进行归一化处理，获得特征点矩阵；第三步：为经过归一化处理的每个特征点x建立一个近邻集Ω，每个所述近邻集Ω包含与其所归属特征点x所在的子空间距离最近的、预设数量的样本特征点；第四步：根据每个特征点x的近邻集Ω，对应构建全部特征点间的相似度矩阵W；第五步：计算全部特征点间的相似度矩阵W对应的拉普拉斯矩阵L，并对每个拉普拉斯矩阵L进行谱聚类分割，获得每个特征点的类别标号，实现对全部数据的子空间聚类处理。

【技术特征摘要】

【专利技术属性】
技术研发人员：孙哲南，谭铁牛，宋凌霄，张曼，赫然，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：天津;12