買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西北工業大學申請的專利一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116385753B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310394656.5，技術領域涉及：G06V10/762；該發明授權一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法是由王靖宇;張欣茹;聶飛平;李學龍設計研發完成，并于2023-04-13向國家知識產權局提交的專利申請。

本一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法在說明書摘要公布了：本發明公開了一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法，屬于圖像識別與分類和模式識別領域。針本發明采用基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法，將最優子空間投影學習嵌入模糊聚類算法進行優化，在去除冗余特征的同時嵌入判別性學習，有效增強了樣本在投影最優子空間的類間判別性，從而抑制噪聲污染情況下聚類性能降級。此外，受熵度量的啟發，設計了基于最大熵原理的正則化項，構建動態信息熵圖更新樣本隸屬度等級分配，以挖掘數據更可靠的自然類別劃分。本發明在魯棒聚類的同時自適應識別噪聲污染的圖像數據，并消除其影響，對噪聲污染圖像數據具有較高的魯棒性，有效提升對噪聲污染數據的聚類性能。

本發明授權一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法在權利要求書中公布了：1.一種基于判別性嵌入投影模糊聚類的魯棒圖像聚類方法，其特征在于，步驟如下： 步驟1：獲取圖像數據信息構建數據矩陣對于n張u×v分辨率的圖片數據，將每張圖片拉長得到一個d×1的行向量，其中d＝u×v；將n張圖片組成的圖像數據轉化為目標數據矩陣其中矩陣的每一行代表一張圖像，定義xi為原始空間樣本數據，每張圖像視為一個樣本；給出目標數據所包含的真實類別數c，隨機初始化c個簇的聚類中心，即獲得初始的是原始空間中第j個簇的質心，原始空間聚類的質心矩陣為 步驟2：建立魯棒的判別性嵌入投影模糊聚類框架RobustDiscriminantEmbeddedProjectionFuzzyC-meansClustering,RDEPFCM根據此框架對所獲取的受到噪聲污染圖像數據矩陣執行聚類操作，與此同時，在投影的最優子空間，自適應識別噪聲污染圖像并標記為異常值，從而提升聚類性能、防止異常數據扭曲隸屬度等級分配、避免異常值錯誤地劃分至正常樣本簇定義投影矩陣用于學習最優子空間信息，可得投影子空間的簇質心矩陣M＝HTΩ，最優子空間樣本投影由HTxi計算獲取框架的主體目標函數為： s.t.Y≥0,Y1＝1,ST1＝K,0≤S≤1,HTH＝I 其中，是第j個理想子空間簇的質心，子空間聚類的質心矩陣為子空間的異常值約束向量用于自適應識別子空間n-K個異常值并消除其影響，Si為S第i個元素的值，不斷修正異常值導致子空間原型學習的偏差λ，ρ為正則化參數 通過目標函數第二項的熵正則化，構建了動態信息熵圖以更加穩定地計算隸屬度矩陣最大限度地保留數據原始概率分布信息，矩陣中元素yij表示投影最優子空間中的第i個樣本屬于第j個簇的隸屬度目標函數的第三項用于最小化投影子空間的樣本重構誤差，并將判別性學習嵌入模糊聚類算法進行優化 步驟3：交替迭代優化目標函數采用迭代重加權優化方法求解目標函數中的m、Y、H、S四個變量，首先初始化m、Y、H，根據公式計算得到S；再固定S和m，針對真實樣本與異常值分別同時優化得到Y；然后固定S和Y，依據公式求解m；最終固定m、Y、S求解子空間投影矩陣H，依次循環直至收斂； 求解步驟如下： 步驟3.1：根據隨機初始化c個簇的聚類中心，獲得初始的子空間聚類質心向量初始化Y中所有元素為yij＝1c考慮使樣本分布于每一個類的初始概率均等初始化投影矩陣矩陣滿足H0TH0＝I定義TΥi為隸屬度加權的投影子空間“樣本-聚類質心”殘差與樣本投影重構項之和將TΥi按照從小到大的順序排序，計算得到其對應子空間的異常值約束向量S的最優解： 步驟3.2：針對真實樣本與噪聲數據分別進行不同優化得到Y 在步驟3.1中得到TΥi按照從小到大的順序進行排序后的數據序列，將與其對應的原始空間樣本xi進行排序，得到排序后的數據矩陣其對應排序后隸屬度矩陣 步驟3.2.1：對于未被噪聲污染的正常樣本數據當樣本子空間投影HTxi對應的Si＝1時，其對應原始空間的圖像數據樣本被認為是正常的未被噪聲污染的圖像數據優化得到正常樣本對應最優的隸屬度 其中，為的第行向量，而則為矩陣的第行第j列的隸屬度值 步驟3.2.2：對于優化過程中自適應識別的異常樣本數據當樣本子空間投影HTxi對應的Si＝0時，其對應原始空間的圖像數據樣本被認為是被噪聲污染的異常圖像數據此時得到所有樣本點隸屬度的最優解為： 步驟3.3：將目標函數的子問題對m求偏導等于0，解得： 步驟3.4：定義子空間的異常值約束矩陣是一個對角矩陣其第i個對角元素是是一個對角矩陣，第j個對角元素是因此獲取了矩陣P＝SY，其中定義真實數據的總體散度并且類內散度子空間的異常值約束矩陣用于自適應識別異常數據，是僅僅與數據矩陣相關的二進制對角矩陣因此，得到最小化原始目標函數來獲取最優解H等價于求解等價的最大化問題： 由于投影矩陣滿足正交約束HTH＝I，因此H的最優解由ρSt-SW的前r個最大的特征值對應特征向量組成值得強調的是，該最大化問題描述為最大化總體散度與類內散度之差由于總體散度為類間散度與類內散度之和，所以上述問題可視為最大化類間散度，這增強了所提出框架對于樣本類間劃分的判別性學習至此，m、Y、H、S更新完畢，接下來重新進行下一次迭代運算，直到目標函數收斂此時則根據最大的隸屬度值確定xi的簇標記無需任何先驗的標簽信息，即將圖像樣本xi劃入相應的簇從而實現圖像聚類其中，根據所獲取的樣本簇標記λi獲得所有圖像數據的預測標簽zp，該預測標簽僅用于方便地評價聚類性能。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西北工業大學，其通訊地址為：710072 陜西省西安市友誼西路127號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。