【技术实现步骤摘要】
本专利技术属于图像数据处理，具体涉及一种鲁棒无监督图像特征选择方法、装置及存储介质。
技术介绍
1、随着计算机技术的发展，特别是计算机视觉和模式识别在各个领域的应用，越来越多的学者开始从高维数据中挖掘重要信息。虽然数据维数的增加为人们提供了更多有价值的信息，但对这些数据的处理也带来了巨大的挑战。因此，降维在数据预处理中是非常重要的，它可以实现低的空间和时间开销。众所周知，特征变换和特征选择是降维的两种主要手段。不同的是，特征变换侧重于通过原始数据空间生成新的低维特征，特征选择的目的是从原始特征中选择最重要的特征子集。因为特征选择不会产生新的特征，所以更具有可解释性。
2、无监督特性选择的重点是发现基于它们的分布的数据之间的潜在关系。最早的无监督特征选择算法根据特征排序技术选择重要特征。这些方法的一个主要缺点是，他们根据功能排序技术独立选择特性，忽略了特性之间的相关性，而这些特性无法捕捉到局部结构特征。因此，为了从数据中选择局部特性，学者们提出了许多谱图像特征选择方法。具体地说，如在文献“x.he,d.cai,and p.niyogi,“laplacian score for feature selection”advances in neural informationprocessing systems，vol.18，pp.507–514，2005”中公开了laplacian分数是一种典型的无监督图像特征选择方法，该方法通过拉普拉斯图对这些特性进行选择，以保持数据的局部几何结构；通在此基础上，为了提高特征的判别能力
3、然而，由于上述文献所公开的方法中没有重构项，因此只从高维数据中选取有效特征；其次，这些图像特征选择方法同时结合稀疏谱回归和图嵌入来评估特征的有效性，这将引入无意义的正则化参数，增加模型的复杂性；更重要的是，l2,1范数正则化约束不是最优的，它只是原来的l2,0范数约束问题的一个放宽版本。主要原因是l2,1范数是一个凸优化问题，可以得到全局最优解，而l2,0-范数是一个非凸优化问题，使用上述方法难以求解，无法有效保证数据处理过程中的准确性。
4、因此，本专利技术提出了一种鲁棒无监督图像特征选择方法、装置及存储介质，用以解决上述现有技术存在的问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种鲁棒无监督图像特征选择方法、装置及存储介质，本方法采用l2,0范数约束更有利于特征选择，同时通过解决l2,p范数问题，压缩图像数据的噪音样本和异常值的影响，有效提高了模型的鲁棒性，具备鲁棒性好、具有严格的收敛保证和闭型解等优点，解决了现有技术存在的在图像数据处理时难以有效的对l2,0-范数进行求解的问题，提高了图像数据处理过程中的准确性。
3、(二)技术方案
4、为实现上述对l2,0-范数进行有效求解、提高数据处理准确性的目的，本专利技术提供如下技术方案：
5、本专利技术提供第一种方案：一种鲁棒无监督图像特征选择方法，所述方法基于稀疏子空间学习方法实现，包括
6、步骤1：收集图像数据，对收集的数据集进行归一化处理，然后对数据集进行加噪处理，并将所有数据作为训练样本；
7、步骤2：建立鲁棒无监督图像特征选择方法的目标函数模型；
8、步骤3：将步骤1处理后的训练样本带入步骤2建立的目标函数模型中，对目标函数模型进行迭代优化，直到算法达到收敛状态，得到最优投影矩阵；
9、步骤4：将步骤1处理后的数据带入步骤3训练好的目标函数模型中，得到最优的投影矩阵，然后通过该投影矩阵提取数据中相应的特征子集，再利用k-means聚类算法执行聚类，完成图像特征选择。
10、优选的，步骤2所述鲁棒无监督图像特征选择方法的目标函数模型的建立过程包括
11、步骤2.1：将均值变量整合到目标函数中，并优化得目标函数为：
12、
13、其中，0＜p≤2，是投影矩阵，表示均值变量；
14、步骤2.2：在模型(1)中引入l2,0范数行稀疏约束，得到目标函数模型：
15、
16、其中本文档来自技高网...
【技术保护点】
1.一种鲁棒无监督图像特征选择方法，其特征在于：所述方法基于稀疏子空间学习方法实现，包括
2.如权利要求1所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤2所述鲁棒无监督图像特征选择方法的目标函数模型的建立过程包括
3.如权利要求2所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3所述对目标函数模型进行迭代优化的过程包括
4.如权利要求3所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3.1所述求解L2，p范数的过程包括
5.如权利要求4所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3.2所述求解L2，0范数约束的过程包括
6.如权利要求5所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3.2.2所述的将模型(10)划分为rank(E)≤m和rank(E)＞m两种情况，并分别进行求解的过程包括步骤：
7.如权利要求6所述的一种鲁棒无监督图像特征选择方法，其特征在于：当rank(E)≤m时，求解L2，0范数约束的过程包括
8.如权利要求6所述的一种鲁棒无监督图像特征选
9.一种鲁棒无监督图像特征选择装置，其特征在于：包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
10.一种计算机可读存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的鲁棒无监督图像特征选择方法。
...【技术特征摘要】
1.一种鲁棒无监督图像特征选择方法，其特征在于：所述方法基于稀疏子空间学习方法实现，包括
2.如权利要求1所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤2所述鲁棒无监督图像特征选择方法的目标函数模型的建立过程包括
3.如权利要求2所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3所述对目标函数模型进行迭代优化的过程包括
4.如权利要求3所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3.1所述求解l2，p范数的过程包括
5.如权利要求4所述的一种鲁棒无监督图像特征选择方法，其特征在于：步骤3.2所述求解l2，0范数约束的过程包括
6.如权利要求5所述的一种鲁棒无监督图像特征选择方法，其特征在于...
【专利技术属性】
技术研发人员：王思思，何祯鑫，于传强，王俊提，李若亭，甘源滢，郭君斌，
申请(专利权)人：中国人民解放军火箭军工程大学，
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。