摘要
随着互联网等科技的快速发展，大量数据随之产生，这些数据具有规模大、不完全、含噪声、模糊、随机等特点，如何从这些复杂数据中提取潜在有用信息和知识已成为一个研究热点。聚类作为一种经典的数据挖掘方法，利用数据间的相似性和差异性对数据进行归类，在不同领域中已得到了广泛应用，根据不同数据特点也衍生出不同类型的聚类方法。其中，多视图子空间聚类方法是针对现有数据的高维度及多源性的特点而提出，近几年受到广泛关注。针对当前多视图子空间聚类方法存在的问题，本文从特定子空间学习、多视图关联性挖掘等角度提出优化策略，并在多个公共数据集上进行了验证，实验结果说明了所提方法的有效性。此外，为了探索多视图子空间聚类方法的实际应用性，本文还将其应用到了医学图像处理肺结节分割上，成功完成了肺结节分割任务。具体研究内容如下： 1.联合张量表示和指示矩阵学习的多视图子空间聚类方法研究。针对目前多数多视图子空间聚类方法专注局部视图间联系，忽略了视图间高阶联系的问题，提出一种联合张量表示和指示矩阵学习的多视图子空间聚类方法（Multi-View Subspace Clustering with joint Tensor representation and Indicator matrix learning, MVSCTI）。该方法在基于稀疏表示的框架下，利用张量奇异值分解（Tensor Singular Value Decomposition，T-SVD）对由多个视图相似度矩阵堆叠的张量进行低秩约束，高效地挖掘了视图间的相关性，并将后续的谱聚类融入到MVSCTI模型中，使得相似度矩阵和指示矩阵可以联合优化，促进全局最优解的获得。实验结果说明了联合张量表示和指示矩阵学习的有效性。 2.差异性和一致性全面挖掘的多视图子空间聚类方法研究。针对多视图信息尚未被充分挖掘的问题，提出一种差异性和一致性全面挖掘的多视图子空间聚类方法（Multi-view Subspace Clustering with Consistency and Complementarity Fully Mined, MSC3FM）。为了全面挖掘多视图信息，该方法利用T-SVD对多个视图相似度矩阵构成的张量进行低秩约束，保证了全局低秩结构；通过正交约束增大视图间相似度矩阵的差异性以确保局部补充信息的挖掘；引入一致性约束项保留视图间的一致性信息。此外，考虑到不同视图的贡献度差异性，在MSC3FM基础上，提出一种加权的差异性和一致性充分挖掘的多视图子空间聚类方法（Weighted Multi-view Subspace Clustering with Consistency and Complementarity Fully Mined, WMSC3FM），该方法设计了一种自适应加权策略为不同视图分配不同权重。实验结果说明，充分考虑差异性和一致性有助于对多视图信息的挖掘。 3. 基于多视图子空间聚类的肺结节分割方法研究。为了探索多视图子空间聚类方法的应用性，对其进行应用扩展，考虑到当前智能辅助医学诊断的需求，将其应用到肺结节分割上，提出一种基于多视图子空间聚类的肺结节分割方法。为了保证分割效果，在输入到多视图子空间聚类方法前先对肺部CT图像进行了预处理，包括去噪，感兴趣区域提取两部分；之后将感兴趣区域输入到多视图子空间聚类方法中，考虑到基于像素点的特征维度较低，本方法将不同特征提取的特征矩阵串联，构建相似度矩阵，最后利用图切割得到最终的分割结果。通过在实际肺结节数据集上的分割实验，证实了多视图子空间聚类方法在肺结节分割上的可行性和有效性。
NETL