一种用于高维图像数据的自主子空间聚类方法

摘要

本发明提供一种用于高维图像数据的自主子空间聚类方法，包括获取高维图像数据，基于自主学习正则化项，通过求解样本权重的优化问题来学习样本的权重；通过带权重的自表示模型求自表示系数；利用自表示系数建立样本的相似度图；基于样本的相似度图进行谱聚类；检验收敛条件，若不满足则返回，若满足则流程终止，得到最终的自主子空间聚类结果。该方法将自主学习与子空间聚类进行融合，通过一种新的自主正则化项来对样本进行权重调整，有效的改善了子空间聚类模型的局部最优解，从而提升子空间聚类的性能。