稀疏子空间聚类综述

• 全文链接
• 请求原文

作   者：

王卫卫;  李小平;  冯象初;  王斯琪; 

作者机构：

西安电子科技大学数学与统计学院; 

关键词：

高维数据;  子空间聚类;  低秩表示;  稀疏表示; 

期刊名称：

自动化学报

基金项目：

基于高维特征和稀疏子空间聚类的图像分割方法研究
空间约束下多字典学习的形态学成分分析
基于高维特征和稀疏子空间聚类的图像分割方法研究
空间约束下多字典学习的形态学成分分析
多目标图像分割的稀疏表示方法
多目标图像分割的稀疏表示方法
基于非局部信息的图像恢复和图像质量评价研究
总广义变差在图像恢复中的建模理论及其算法研究
基于非局部信息的图像恢复和图像质量评价研究
总广义变差在图像恢复中的建模理论及其算法研究

i s s n：

0254-4156

年卷期：

2015 年 08 期

页   码：

1373-1384

摘   要：

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.