多视图聚类已经被广泛研究,它能够采用可用的多源信息来实现更好的聚类性能.然而,大多数之前的工作仍存在两个不足:(1)它们通常关注多视图属性特征的场景,很少留意到多视图属性图数据;(2)它们主要尝试发现一致的结构或多个视图之间的关系,而忽略了多视图观测之间潜在的高阶相关性。为了解决这些问题,我们从广义角度出发,提出了一种新颖的方法,称为混合阶相似性的多视图聚类(Multiview Clustering by Hybridorder Affinity,MCHA).它将结构图和多视图属性特征巧妙融合,同时考虑了低秩概率相似性图和混合阶的相关性.具体而言,我们通过图过滤策略构建了一组保留几何结构的视图特定的平滑表示.同时,我们将从平滑表示中学习得到的多视图概率相似性图堆叠成一个张量,并对该张量给予低秩属性的约束.这可以很好地恢复视图间更高阶的相关性.在八个基准数据集上的实验表明,我们所提出的MCHA方法具有最先进的有效性.
随着农业机器人技术的不断进步和发展,利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要,针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题,提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取,同时使用RGB通道分离方式对红色的根部分进行图像提取,在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配,并利用随机抽样一致性算法剔除错误的匹配点,最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明,F-B算法相比于传统scale-invariant feature transform(SIFT)、speeded up robust features(SURF)、oriented FAST and rotated BRIEF(ORB)算法在匹配速度、精确度上有所提升且匹配准确度高于80%,使用Sobel算子提取植株图像轮廓,获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。
暂无评论