(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210665911.0 (22)申请日 2022.06.13 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 王靖宇　张欣茹　聂飞平　李学龙　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 王鲜凯 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/774(2022.01) G06F 17/16(2006.01) (54)发明名称 一种基于模糊聚类的图像 鲁棒聚类方法 (57)摘要 本发明涉及一种基于模糊聚类的图像鲁棒 聚类方法， 在聚类图像数据的同时， 筛选出被噪 声污染的图像， 保留了纯净无污染的图像数据， 对噪声变化具有较高的鲁棒性。 并且本发明是一 种无监督的算法， 不需要用到标签数据， 减小了 大量的获取标签数据所用到的时间。 算法在求解 过程中不需要更新图矩阵， 因此降低了算法的计 算复杂度， 加快了运算速度。 因此可以实现对被 噪声污染图像进行快速、 有效且鲁棒的聚类。 本 发明可以通过迭代优化目标函数的正则化参数， 自适应地计算出每个样本相应正则化参数， 的在 应用过程中极大地降低了调节 正则化参数难度， 节省了人力成本， 在鲁棒地筛选出被噪声污染图 像数据同时， 提高了图像聚类准确度。 权利要求书2页 说明书8页 附图2页 CN 115131588 A 2022.09.30 CN 115131588 A 1.一种基于模糊聚类的图像鲁棒聚类方法， 其特 征在于步骤如下： 步骤1： 对于n张u ×v分辨率的图片数据， 将每张图片拉长得到一个1 ×d的行向量， 其中 d＝u×v； 将n张图片组成的图像数据转化为目标数据矩阵 其中矩 阵的每一行 代表一张图像； 每张图像则代表 一个数据样 本； 给出目标数据所包含的 真实类别数c， 随机初始化c个簇的聚类中心， 即获得初始的 是第j个簇的质心； 步骤2： 建立进行噪声抑制的鲁棒模糊聚类RFC M框架 其中 是模糊隶属度， 聚类的质心矩阵为 矩阵Y代表 每个元素yij表示第i个样本属于第j个簇的隶属度； 用来筛选n ‑k个噪声数据， si为s 第i个元素的值； 步骤3： 交替迭代优化鲁棒模糊聚类RFC M框架 求解步骤如下： 步骤3.1： 随机初始化c个簇的聚类中心， 获得初始的 初始化Y中所有元素为 yij＝1/c； 定义ei为以一定的隶属度对样本xi到所有簇中心距离进行加权并求和所得到的 值， 将ei按照从小到大的顺序排列为e1≤e2≤...≤ek≤...≤en， 计算得到其对应si； 步骤3.2： 针对真实样本与噪声数据分别进行不同优化得到 Y 前k个距离所有聚类中心最近的样本对应的si＝1， 其余样本对应的si＝0； 将与顺序后 的ei对应的样本xi进行排序， 得到排序后的数据矩阵 其对应排序后隶属度矩阵 步骤3.2.1： 当样本对应的si＝1时， 离真实样本最近的q个簇， 稀疏化隶属度矩阵， 限制 yi的l0范数为q， 定义 第i个真实样本点 到第j簇聚类中心距离的平方， RFCM 框架等价转化为 目标函数中的参数γ以自适应 计算出最优的参数γ； 优化得到所挑选真实样本对应最优的隶属度 权　利　要　求　书 1/2 页 2 CN 115131588 A 2步骤3.2.2： 对于优化过程中的噪声数据， 当样本对应的si＝0时， 由柯西不等式解得优 化过程中噪声数据对应的最优隶属度值 为 得到所有样本点隶属度的最优解 为 步骤3.3： 固定s和Y， 得到RFC M框架的子问题 子问题对m求偏导 等于0， 解得： 在每次优化过程中， m,Y,s不断更新， 重新进行下一次迭代运算， 直到m不再变化； 一行 样本数据对应一张图片， 根据获得的隶属度 矩阵Y， 选择其每一行的最大值所对应的簇的标 签作为这一图片所被划分的类别， 即得到预测的标签向量， 实现图像聚类簇划分； 所获得的 s向量中包含k个1， n ‑k个0， 第i张图像对应的si＝0,那么这张图片被筛选为被噪声污染的 图像。权　利　要　求　书 2/2 页 3 CN 115131588 A 3