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！

龙图腾网获悉西北工业大学申请的专利一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法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：CN116385753B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202310394656.5，技术领域涉及：G06V10/762；该发明授权一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法是由王靖宇;张欣茹;聂飞平;李学龙设计研发完成，并于2023-04-13向国家知识产权局提交的专利申请。

本一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法在说明书摘要公布了：本发明公开了一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法，属于图像识别与分类和模式识别领域。针本发明采用基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法，将最优子空间投影学习嵌入模糊聚类算法进行优化，在去除冗余特征的同时嵌入判别性学习，有效增强了样本在投影最优子空间的类间判别性，从而抑制噪声污染情况下聚类性能降级。此外，受熵度量的启发，设计了基于最大熵原理的正则化项，构建动态信息熵图更新样本隶属度等级分配，以挖掘数据更可靠的自然类别划分。本发明在鲁棒聚类的同时自适应识别噪声污染的图像数据，并消除其影响，对噪声污染图像数据具有较高的鲁棒性，有效提升对噪声污染数据的聚类性能。

本发明授权一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法在权利要求书中公布了：1.一种基于判别性嵌入投影模糊聚类的鲁棒图像聚类方法，其特征在于，步骤如下： 步骤1：获取图像数据信息构建数据矩阵对于n张u×v分辨率的图片数据，将每张图片拉长得到一个d×1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，定义xi为原始空间样本数据，每张图像视为一个样本；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，即获得初始的是原始空间中第j个簇的质心，原始空间聚类的质心矩阵为 步骤2：建立鲁棒的判别性嵌入投影模糊聚类框架RobustDiscriminantEmbeddedProjectionFuzzyC-meansClustering,RDEPFCM根据此框架对所获取的受到噪声污染图像数据矩阵执行聚类操作，与此同时，在投影的最优子空间，自适应识别噪声污染图像并标记为异常值，从而提升聚类性能、防止异常数据扭曲隶属度等级分配、避免异常值错误地划分至正常样本簇定义投影矩阵用于学习最优子空间信息，可得投影子空间的簇质心矩阵M＝HTΩ，最优子空间样本投影由HTxi计算获取框架的主体目标函数为： s.t.Y≥0,Y1＝1,ST1＝K,0≤S≤1,HTH＝I 其中，是第j个理想子空间簇的质心，子空间聚类的质心矩阵为子空间的异常值约束向量用于自适应识别子空间n-K个异常值并消除其影响，Si为S第i个元素的值，不断修正异常值导致子空间原型学习的偏差λ，ρ为正则化参数 通过目标函数第二项的熵正则化，构建了动态信息熵图以更加稳定地计算隶属度矩阵最大限度地保留数据原始概率分布信息，矩阵中元素yij表示投影最优子空间中的第i个样本属于第j个簇的隶属度目标函数的第三项用于最小化投影子空间的样本重构误差，并将判别性学习嵌入模糊聚类算法进行优化 步骤3：交替迭代优化目标函数采用迭代重加权优化方法求解目标函数中的m、Y、H、S四个变量，首先初始化m、Y、H，根据公式计算得到S；再固定S和m，针对真实样本与异常值分别同时优化得到Y；然后固定S和Y，依据公式求解m；最终固定m、Y、S求解子空间投影矩阵H，依次循环直至收敛； 求解步骤如下： 步骤3.1：根据随机初始化c个簇的聚类中心，获得初始的子空间聚类质心向量初始化Y中所有元素为yij＝1c考虑使样本分布于每一个类的初始概率均等初始化投影矩阵矩阵满足H0TH0＝I定义TΥi为隶属度加权的投影子空间“样本-聚类质心”残差与样本投影重构项之和将TΥi按照从小到大的顺序排序，计算得到其对应子空间的异常值约束向量S的最优解： 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 在步骤3.1中得到TΥi按照从小到大的顺序进行排序后的数据序列，将与其对应的原始空间样本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：对于未被噪声污染的正常样本数据当样本子空间投影HTxi对应的Si＝1时，其对应原始空间的图像数据样本被认为是正常的未被噪声污染的图像数据优化得到正常样本对应最优的隶属度 其中，为的第行向量，而则为矩阵的第行第j列的隶属度值 步骤3.2.2：对于优化过程中自适应识别的异常样本数据当样本子空间投影HTxi对应的Si＝0时，其对应原始空间的图像数据样本被认为是被噪声污染的异常图像数据此时得到所有样本点隶属度的最优解为： 步骤3.3：将目标函数的子问题对m求偏导等于0，解得： 步骤3.4：定义子空间的异常值约束矩阵是一个对角矩阵其第i个对角元素是是一个对角矩阵，第j个对角元素是因此获取了矩阵P＝SY，其中定义真实数据的总体散度并且类内散度子空间的异常值约束矩阵用于自适应识别异常数据，是仅仅与数据矩阵相关的二进制对角矩阵因此，得到最小化原始目标函数来获取最优解H等价于求解等价的最大化问题： 由于投影矩阵满足正交约束HTH＝I，因此H的最优解由ρSt-SW的前r个最大的特征值对应特征向量组成值得强调的是，该最大化问题描述为最大化总体散度与类内散度之差由于总体散度为类间散度与类内散度之和，所以上述问题可视为最大化类间散度，这增强了所提出框架对于样本类间划分的判别性学习至此，m、Y、H、S更新完毕，接下来重新进行下一次迭代运算，直到目标函数收敛此时则根据最大的隶属度值确定xi的簇标记无需任何先验的标签信息，即将图像样本xi划入相应的簇从而实现图像聚类其中，根据所获取的样本簇标记λi获得所有图像数据的预测标签zp，该预测标签仅用于方便地评价聚类性能。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。