基于加权多核子空间聚类的图像分割方法

为了解决单核子空间聚类算法在图像分割任务中无法较好地处理数据非线性结构和噪声等问题，提出了一种基于非凸低秩子空间聚类的图像分割方法。首先，采用自适应形态学重构种子分割方法对梯度图像进行逐点最大值运算，将图像预分割为不同区域大小的超像素图像，弥补了超像素分割算法过度分割的缺陷；其次，对超像素块进行颜色特征提取，并堆叠成数据矩阵输入到多核子空间聚类算法中；再根据子空间表示求解系数矩阵，进而构造出亲和矩阵；最后，输入谱聚类中得到最终的分割结果。在公共数据集上的对比实验结果表明，所提方法取得了最佳的聚类性能和分割效果。     

融合块对角约束的鲁棒低秩多核聚类

针对现有的多核学习(multiple kernel learning, MKL)子空间聚类方法忽略噪声和特征空间中数据的低秩结构问题,提出一种新的鲁棒多核子空间聚类方法(low-rank robust multiple kernel clustering, LRMKC),该方法结合块对角表示(block diagonal representation, BDR)与低秩共识核(low-rank consensus kernel, LRCK)学习,可以更好地挖掘数据的潜在结构.为了学习最优共识核,设计一种基于混合相关熵度量(mixture correntropy induced metric, MCIM)的自动加权策略,其不仅为每个核设置最优权重,而且通过抑制噪声提高模型的鲁棒性;为了探索特征空间数据的低秩结构,提出一种非凸低秩共识核学习方法;考虑到亲和度矩阵的块对角性质,对系数矩阵应用块对角约束.LRMKC将MKL、LRCK与BDR巧妙融合,以迭代提高各种方法的效率,最终形成一个处理非线性结构数据的全局优化方法.与最先进的MKL子空间聚类方法相比,通过在图像和文本数据集上的大量实验验证了LRMKC的优越性.