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。     

基于正交投影学习的图像特征提取算法

为了改进低秩嵌入在数据重构和噪声抑制方面存在的不足,提高特征的识别准确度,提出了一种基于正交投影学习的图像特征提取算法,设计了半二次方的交替方向乘子法用于求解正交投影学习模型。 该模型通过引入正交矩阵保留样本的主要特征,引入范数约束使提取的特征更加显著;使用加权 Schatten p 范数来逼近秩的最优解。为提高模型的鲁棒性并使其适用于有监督场景,将广义相关熵用于数据项建模和分类损失函数的构建。 在不同规模数据集上的实验结果表明,所提模型具有比现有其他模型更优良的特征提取性能。