【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种多源图像融合的结构表征与聚类联合学习方法及系统。
技术介绍
1、随着图像获取技术的飞速发展和普及，图像数据量呈指数级增长，依靠专家研读图像的传统方式受到严重挑战，因而，利用先进机器学习方法对图像进行高精度自动判别已成为亟待解决的关键所在。
2、可见光、红外、多光谱和高光谱等多源图像可视为相同观测对象在不同空间和光谱空间的投影，从不同侧面刻画了观测对象的物理化学特性，为全面挖掘地物电磁信息，实现高精度图像聚类奠定了基础。多源图像数据提供了多维度、多层次的观测信息，这些信息之间可以互相支持、补充和修正，能够提供观测对象的准确表征。例如，在利用可见光图像识别城市道路的应用中，由于该类图像通常仅包含400至700纳米光谱范围内的三个谱段，无法获取沥青等道路铺设材质的光谱信息，导致道路识别精度低。相反地，高光谱图像可以获取400至2500纳米光谱范围内的上百个谱段，具备捕获沥青、水泥等不同材质光谱信息的能力。因此，获取融合了可见光和高光谱信息的多源图像表示，将有效提升道路识别的准确率。人脸图像识别技术在遇到逆光或弱光等复杂光照条件时，导致基于可见光的人脸图像识别精度下降。而红外图像依靠物体的热辐射信息进行成像，不受光照情况变换的影响，因而通过获取融合可见光和红外信息的图像表示，可显著提升人脸识别精度。因此，通过采用某种技术手段挖掘多源图像中不同类型的信息，编码具有高判别性的图像表示，是提升多源图像高精度聚类的关键。
3、现有多源图像表征方法主要分为基于拼接的、基于字典学习的和基于
技术实现思路
1、本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种多源图像融合的结构表征与聚类联合学习方法及系统，本专利技术能够有效挖掘多源图像数据之间的互补性信息，获取具有高判别性的结构表征，具有很强的普适性和鲁棒性，拥有计算效率高、抗噪声干扰、识别精度高的优点。
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、一种多源图像融合的结构表征与聚类联合学习方法，包括：
4、s1，通过随机采样方式从输入的多源图像的样本矩阵集合中挑选样本构建初始的字典矩阵集合，初始化生成由随机值构成的初始的变换矩阵集合、所有元素值相等且和为1的矩阵构成的权值向量、所有元素值均为的松弛变量、所有元素值均为的矩阵构成的拉格朗日算子、大于的惩罚因子以及迭代次数；基于样本矩阵集合和变换矩阵集合初始化结构表征矩阵；
5、s2，基于样本矩阵集合、第次迭代的字典矩阵集合和结构表征矩阵，结合作用于变换矩阵的非负约束计算第次迭代的变换矩阵集合；
6、s3，基于样本矩阵集合、第次迭代的变换矩阵集合、第次迭代的字典矩阵集合、权值向量、拉格朗日算子和惩罚因子，结合低秩约束和近邻约束计算第次迭代的结构表征矩阵；
7、s4，利用样本矩阵集合，第次迭代的变换矩阵集合和结构表征矩阵，以及第次迭代的权值向量、拉格朗日算子和惩罚因子计算第次迭代的松弛变量；
8、s5，利用样本矩阵集合、第次迭代的变换矩阵集合和结构表征矩阵，计算第次迭代的字典矩阵集合；利用样本矩阵集合，第次迭代的字典矩阵集合、变换矩阵集合和结构表征矩阵，计算第次迭代的权值向量；根据第次迭代的拉格朗日算子和惩罚因子，以及第次迭代的结构表征矩阵和松弛变量更新第次迭代的拉格朗日算子，并根据第次迭代的惩罚因子更新第次迭代的惩罚因子；
9、s6，判断是否满足预设的终止条件，如果满足预设的终止条件，则跳转执行下一步；否则，将迭代次数k加1，跳转执行步骤s2；
10、s7，针对第次迭代的结构表征矩阵进行k均值处理得到聚类结果。
11、可选地，步骤s1中输入的多源图像的样本矩阵集合的函数表达式为：
12、，
13、上式中，为第个数据源对应的图像样本矩阵，～为图像样本矩阵中第1～n个样本，，为数据源的数目，为样本的维度，为图像样本矩阵中的样本数量；步骤s1中构建初始的字典矩阵集合的函数表达式为：
14、，
15、上式中，为初始的字典矩阵集合中的第个字典矩阵，～为字典矩阵中的个字典项，表示大小为，为字典矩阵包含字典项的数目，且字典矩阵中的任意第i个字典项从输入的多源图像的样本矩阵集合中获取得函数表达式为：
16、 ，
17、上式中，为图像样本矩阵中第个样本，为符合均匀分布的随机变量，为样本矩阵包含的样本数，代表向下取整函数；步骤s1中构建的由随机值构成的变换矩阵集合的函数表达式为：
18、，
19、上式中，为初始的变换矩阵集合中的第个变换矩阵，～为变换矩阵中的个变换项，表示大小为，为变换矩阵包含变换项的数目，为数据源的数目，且变换矩阵中的任意元素值均介于大于0和小于1之间；步骤s1中基于样本矩阵集合和变换矩阵集合初始化结构表征矩阵的函数表达式为：
20、
21、上式中，为结构表征矩阵中的第行第列元素值，为图像样本矩阵中第个样本，为变换矩阵中第个变换项，，。
22、可选地，步骤s2中计算第次迭代的变换矩阵集合的函数表达式为：
23、，
24、上式中，为变换矩阵对应第次迭代的值，，为数据源的数目，变换矩阵中所有元素取值均大于或等于零以用来实现字典矩阵到结构表征矩阵之间的映射，且有：
25、，
26、上式中，为第个数据源对应的图像样本矩阵，为第次迭代的字典矩阵集合中的第个字典矩阵，为第次迭代的结构表征矩阵。
27、可选地，步骤s3中计算第次迭代的结构表征矩阵的函数表达式为：
28、，
29、，
30、上式中，表示结构表征矩阵，为取值大于零的模型参数，为矩阵的迹函数，其值等于矩阵对角线元素值之和；为第次迭代的指示矩阵，为第次迭代的结构表征矩阵对应的拉普拉斯矩阵通过奇异值分解计算得到；为第次迭代的矩阵相对应的拉普拉斯矩阵；为第次迭代的惩罚因子；为本文档来自技高网...
【技术保护点】
1.一种多源图像融合的结构表征与聚类联合学习方法，其特征在于，包括：
2.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S1中输入的多源图像的样本矩阵集合的函数表达式为：
3.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S2中计算第次迭代的变换矩阵集合的函数表达式为：
4.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S3中计算第次迭代的结构表征矩阵的函数表达式为：
5.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S4中计算第次迭代的松弛变量的函数表达式为：
6.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S5中计算第次迭代的字典矩阵集合的函数表达式为：
7.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤S5中更新第次迭代的拉格朗日算子的函数表达式为：
8.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法
9.一种多源图像融合的结构表征与聚类联合学习系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述多源图像融合的结构表征与聚类联合学习方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述多源图像融合的结构表征与聚类联合学习方法。
...【技术特征摘要】
1.一种多源图像融合的结构表征与聚类联合学习方法，其特征在于，包括：
2.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤s1中输入的多源图像的样本矩阵集合的函数表达式为：
3.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤s2中计算第次迭代的变换矩阵集合的函数表达式为：
4.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤s3中计算第次迭代的结构表征矩阵的函数表达式为：
5.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤s4中计算第次迭代的松弛变量的函数表达式为：
6.根据权利要求1所述多源图像融合的结构表征与聚类联合学习方法，其特征在于，步骤s5中...
【专利技术属性】
技术研发人员：韦晓辉，陈玉婷，肖林，宋启亚，代建华，
申请(专利权)人：湖南师范大学，
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。