基于图正则化的受限非负矩阵分解算法及在图像表示中的应用

作者：舒振球; 赵春霞

来源：模式识别与人工智能, 2013, (03): 300-306.

DOI：10.16451/j.cnki.issn1003-6059.2013.03.009

• 非负矩阵分解(NMF)
• 受限
• 图正则化
• 几何结构
• 聚类 Non-Negative Matrix Factorization (NMF)
• Constraint
• Graph Regularization
• Geometrical Structure
• Clustering

非负矩阵分解(NMF)是一种非常有效的图像表示方法,已被广泛应用到模式识别领域.针对NMF算法是无监督学习算法,无法同时考虑样本类别信息和固有几何结构信息的缺点,提出一种基于图正则化的受限非负矩阵分解(GRCNMF)的算法.该算法利用硬约束保持样本的类别信息,增强算法的鉴别能力,同时还利用近邻图来保持样本间固有的几何结构.通过在COIL20和ORL图像库中的聚类实验结果表明GRCNMF优于其它几种算法,说明GRCNMF的有效性.

• 单位
  南京理工大学