买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于嵌入近似学习的多视图聚类图像分割方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119942129B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510429400.2，技术领域涉及：G06V10/26；该发明授权一种基于嵌入近似学习的多视图聚类图像分割方法及系统是由谭炎金;徐进;陈晓科;金仲铂设计研发完成，并于2025-04-08向国家知识产权局提交的专利申请。

本一种基于嵌入近似学习的多视图聚类图像分割方法及系统在说明书摘要公布了：本发明公开了一种基于嵌入近似学习的多视图聚类图像分割方法及系统。所述方法包括如下步骤：获取需要进行图像分割的图像多视图数据集；将所述图像多视图数据集输入到预构建的聚类模型中，根据优化目标迭代更新聚类模型的参数，当优化目标的变化值小于设定的阈值时，得到优化后的聚类模型；将所述图像多视图数据集输入优化后的聚类模型，输出聚类结果，从而完成多视图子空间聚类；根据聚类结果进行图像分割，得到图像分割结果。本发明通过结合自表征学习、鲁棒主成分分析技术和Grassmann流形空间近似学习，避免了在优化过程中对相似矩阵进行特征值分解而导致了计算成本的增加，提高了聚类的效率和质量。

本发明授权一种基于嵌入近似学习的多视图聚类图像分割方法及系统在权利要求书中公布了：1.一种基于嵌入近似学习的多视图聚类图像分割方法，其特征在于，包括如下步骤： S1、获取需要进行图像分割的图像多视图数据集； S2、将所述图像多视图数据集输入到预构建的聚类模型中，根据优化目标迭代更新聚类模型的参数，当优化目标满足要求时，结束迭代，得到优化后的聚类模型；所述聚类模型中，利用自表征技术从输入的图像多视图数据集中获取自表达矩阵；采用鲁棒主成分分析对自表达矩阵进行分解得到相似矩阵；在Grassmann流形空间上进行近似学习从而自适应重构相似矩阵，得到最优嵌入，利用最优嵌入进行聚类，输出得到聚类结果；所述图像多视图数据集为，其中，是图像多视图数据集中的视图数量，表示图像多视图数据集中的第个视图，，是图像多视图数据集的各个视图中用于聚类的样本数量，表示第个视图的维度； 基于图像多视图数据集，使用自表征技术获取各个视图的自表达矩阵，表示图像多视图数据集中的第个视图的自表达矩阵，；所述图像多视图数据集为，其中，是图像多视图数据集中的视图数量，表示图像多视图数据集中的第个视图，是图像多视图数据集的各个视图中用于聚类的样本数量，表示第个视图的维度； 基于图像多视图数据集，使用自表征技术获取各个视图的自表达矩阵，表示图像多视图数据集中的第个视图的自表达矩阵，；将各个视图的自表达矩阵分解为一个纯净的相似矩阵和一个噪声矩阵，，具体如下： ； 其中，是图像多视图数据集中的视图数量，为第三正则参数，；和分别表示由鲁棒主成分分析算法得到的图像多视图数据集中的第个视图的相似矩阵和噪声矩阵，，；表示矩阵的核范数，是范数；保证了相似矩阵的一个低秩特性从而去除冗余信息，同时也对得到的噪声矩阵使用一个范数操作，使得噪声矩阵满足稀疏性从而提高模型的鲁棒性；使用来代替和，表示矩阵的F范数，具体如下： ； ； 其中，和分别为第一正则参数和第二正则参数，，；表示全为1的列向量，表示相似矩阵的转置；显然，上式结合自表征学习和RPCA的思想，首先得到各个视图的自表达矩阵，然后借用RPCA算法得到各个自表达矩阵的相似矩阵和噪声矩阵，使用对相似矩阵和噪声矩阵进行约束，保证了结构的紧凑性； 以图像多视图数据集中的个视图与该视图和该视图的自表达矩阵的乘积之间的差值的F范数之和，作为基于鲁棒主成分分析算法的成分误差； 以个视图的相似矩阵的F范数之和作为相似矩阵的正则误差； 以个视图的噪声矩阵的F范数之和作为噪声矩阵的正则误差； 进一步的，所述在Grassmann流形空间上进行近似学习从而自适应重构纯净的相似矩阵，得到最优嵌入，具体如下： 对不同视图的相似矩阵的拉普拉斯矩阵进行特征值分解得到不同视图的正交嵌入，具体过程如下： 其中，是图像多视图数据集中的第个视图的相似矩阵的拉普拉斯矩阵，，相比于相似矩阵包含了更精细化的特征信息；表示矩阵的迹操作，表示单位矩阵，是从谱聚类的角度为图像多视图数据集中的第个视图生成的正交嵌入；在Grassmann流形空间上获得一个信息特征丰富的嵌入用于相似矩阵的自适应重构，采用近似学习的方式从不同的正交嵌入中来得到一个最优嵌入，，，表示图像多视图数据集的聚类种类； 以个视图的正交嵌入与最优嵌入之间的投影距离的平方之和作为投影误差；通过求取不同正交嵌入与最优嵌入之间的投影距离平方的最小值，从视图的角度保证了最优嵌入的最优性，具体如下： ； 为了使得最优嵌入可以不断地学习，通过权重参数将最优嵌入与所有的相似矩阵进行自适应重构，使得学习到的最优嵌入与多视图数据集中各个视图的相似矩阵相互耦合，相互影响，具体过程如下： ； 其中，表示最优嵌入和第个相似矩阵重构的权重参数，该权重参数是一个向量的形式，为权重向量中的第个元素，表示权重向量的2范数；自适应重构后的相似矩阵为； 自适应重构误差为个与自适应重构后的相似矩阵为和相似矩阵之间的差值的F范数的乘积之和，具体如下： ； 进一步地，利用图像多视图数据集中的个视图，根据优化目标迭代更新聚类模型的参数，所述优化目标为，通过遍历图像多视图数据集中个视图的相似矩阵、噪声矩阵，最优嵌入，以及最优嵌入和相似矩阵重构的权重参数来进行迭代优化，使得基于鲁棒主成分分析算法的成分误差、相似矩阵的正则误差、噪声矩阵的正则误差、投影误差以及自适应重构误差之和最小化，具体如下： ； ； 其中，是一个平衡参数，用来加快模型的收敛速度； S3、将所述图像多视图数据集输入优化后的聚类模型，输出聚类结果，从而完成多视图子空间聚类； S4、根据聚类结果进行图像分割，得到图像分割结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。