【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于锚图的谱聚类方法及相关装置。
技术介绍
1、谱聚类是指根据给定的样本数据集一个数据点对相似度的矩阵，并计算相关矩阵的特征值和特征向量，选择合适的特征向量来聚类不同的数据点的方法，在高光谱图像聚类等图像处理领域的数据处理中有非常广泛的应用。
2、现有的谱聚类方法包括最小切、比切(rcut)、归一化切割(ncut)、最大切、谱嵌入聚类、k-way rcut和k-wayncut等，其聚类过程可以概括两个独立的阶段，第一阶段是学习松弛的连续谱向量(即谱嵌入阶段)，第二阶段是采用k-means或谱旋转对连续谱向量进行后处理，从而得到最终的二元聚类指标矩阵，但是在实际应用中，单独执行这两个阶段的方式难以得到全局最优解，导致严重的信息损失和性能下降，从而导致聚类效果差，进而导致高光谱图像等图像识别效果差，而且聚类耗时长，计算复杂度高。
技术实现思路
1、本专利技术提供了一种基于锚图的谱聚类方法及相关装置，解决了现有的谱聚类方法聚类效果差导致图像识别效果差的技术问题。
2、本专利技术一方面提供了一种基于锚图的谱聚类方法，包括：
3、获取原始图像的数据集和权衡参数，根据所述数据集计算得到锚图数据；所述锚图数据包括：权值矩阵、旋转矩阵、指示矩阵、邻接矩阵、相似度矩阵；
4、根据所述锚图数据和所述权衡参数，构建谱聚类模型的目标函数；
5、求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签
6、可选地，所述谱聚类模型的目标函数为：
7、
8、qtq＝i
9、a＝bλ-1b
10、
11、
12、其中，g为权值矩阵；q为旋转矩阵；y为指示矩阵；a为邻接矩阵；b为相似度矩阵；α为权衡参数；k为近邻数；d为数据集中的第i行第j列的元素。
13、可选地，所述求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签包括：
14、s1：固定所述权值矩阵和所述指示矩阵，根据第一预设策略求解所述目标函数，得到旋转矩阵最优值，并将所述旋转矩阵更新为旋转矩阵最优值；
15、s2：固定所述权值矩阵和所述旋转矩阵，并根据第二预设策略求解所述目标函数，得到指示矩阵最优值，并将所述指示矩阵更新为所述指示矩阵最优值；
16、s3：固定所述指示矩阵和所述旋转矩阵，并根据第三预设策略求解所述目标函数，得到权值矩阵最优值，并将所述权值矩阵更新为所述权值矩阵最优值；
17、s4：重复执行s1-s3，直至所述目标函数收敛，得到全局最优解，并输出所述全局最优解对应的聚类标签；所述全局最优解包括权值矩阵最优解、指示矩阵最优解和旋转矩阵最优解。
18、可选地，所述第一预设策略包括：
19、q*＝uvt
20、其中，q*为旋转矩阵最优值；u为第一酉矩阵；vt为第二酉矩阵。
21、可选地，第二预设策略包括：
22、y*＝bgq
23、其中，y*为指示矩阵最优值。
24、可选地，第三预设策略包括：
25、g*＝d-1/2h*
26、其中，g*为权值矩阵最优值；d为第一临变量矩阵，h*为第二临变量矩阵。
27、本专利技术另一方面提供了一种基于锚图的谱聚类装置，所述装置包括
28、获取模块，用于获取原始图像的数据集和权衡参数，根据所述数据集计算得到锚图数据；所述锚图数据包括：权值矩阵、旋转矩阵、指示矩阵、邻接矩阵、相似度矩阵、权衡参数；
29、构建模块，用于根据所述锚图数据和所述权衡参数，构建谱聚类模型的目标函数；
30、输出模块，用于求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签。
31、可选地，所述输出模块包括：
32、第一更新子模块，用于固定所述权值矩阵和所述指示矩阵，根据第一预设策略求解所述目标函数，得到旋转矩阵最优值，并将所述旋转矩阵更新为旋转矩阵最优值；
33、第二更新子模块，用于固定所述权值矩阵和所述旋转矩阵，并根据第二预设策略求解所述目标函数，得到指示矩阵最优值，并将所述指示矩阵更新为所述指示矩阵最优值；
34、第三更新子模块，用于固定所述指示矩阵和所述旋转矩阵，并根据第三预设策略求解所述目标函数，得到权值矩阵最优值，并将所述权值矩阵更新为所述权值矩阵最优值；
35、重复触发子模块，用于重复依次触发第一更新子模块、第二更新子模块、第三更新子模块，直至所述目标函数收敛，得到全局最优解，并输出所述全局最优解对应的聚类标签；所述全局最优解包括权值矩阵最优解、指示矩阵最优解和旋转矩阵最优解。
36、本专利技术另一方面提供了一种电子设备，所述设备包括处理器以及存储器：
37、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
38、所述处理器用于根据所述程序代码中的指令执行如上任一项所述的方法。
39、本专利技术另一方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上所述的方法。
40、从以上技术方案可以看出，本专利技术具有以下优点：
41、本专利技术提供了一种基于锚图的谱聚类方法，包括获取原始图像的数据集，根据所述数据集计算得到锚图数据；所述锚图数据包括：权值矩阵、旋转矩阵、指示矩阵、邻接矩阵、相似度矩阵、权衡参数；根据所述锚图数据，构建谱聚类模型的目标函数；求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签。
42、本专利技术通过获取原始图像的数据集和权衡参数，根据所述数据集计算得到锚图数据，为提升聚类效果提供了有效的数据支持，减少了聚类耗时和计算复杂度；并且本专利技术根据所述锚图数据和所述权衡参数，构建谱聚类模型的目标函数，从而实现了可以同时进行谱嵌入和谱旋转的谱聚类模型的搭建，避免了现有的谱聚类模型的谱嵌入阶段和谱旋转阶段需分开进行的情况；并通过求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签，从而避免了现有的谱聚类模型难以得到全局最优解的情况，解决了现有的谱聚类方法聚类效果差的技术问题，提升了聚类效果，使高光谱图像识别效果更好，更便于对高光谱图像中出现的不同元素进行准确分类，改善了高光谱图像处理过程中的处理效率以及准确性。
本文档来自技高网...【技术保护点】
1.一种基于锚图的谱聚类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述谱聚类模型的目标函数为：
3.根据权利要求2所述的方法，其特征在于，所述求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签包括：
4.根据权利要求3所述的方法，其特征在于，所述第一预设策略包括：
5.根据权利要求3所述的方法，其特征在于，第二预设策略包括：
6.根据权利要求3所述的方法，其特征在于，第三预设策略包括：
7.一种基于锚图的谱聚类装置，其特征在于，所述装置包括
8.根据权利要求7所述的装置，其特征在于，所述输出模块包括：
9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如权利要求1-6任一项所述的方法。
【技术特征摘要】
1.一种基于锚图的谱聚类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述谱聚类模型的目标函数为：
3.根据权利要求2所述的方法，其特征在于，所述求解所述目标函数，得到全局最优解，并输出所述全局最优解对应的聚类标签包括：
4.根据权利要求3所述的方法，其特征在于，所述第一预设策略包括：
5.根据权利要求3所述的方法，其特征在于，第二预设策略包括：
...【专利技术属性】
技术研发人员：杨晓君，张亨利，闵海波，程昱，李云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。