买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利基于二部图割的快速大规模图像数据预处理方法及应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116524221B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310419562.9，技术领域涉及：G06V10/762；该发明授权基于二部图割的快速大规模图像数据预处理方法及应用是由王靖宇;马振宇;聂飞平;李学龙设计研发完成，并于2023-04-19向国家知识产权局提交的专利申请。

本基于二部图割的快速大规模图像数据预处理方法及应用在说明书摘要公布了：本发明涉及一种基于二部图割的快速大规模图像数据预处理方法及应用，将n张a×b规模的图像拉长并整合为一个图像数据矩阵对图像数据矩阵X执行下采样，得到二部图矩阵对F和G进行正交归一化得到离散归一化模型，通过交替迭代更新构建的F和G优化离散归一化的B、F和G模型；获取n个原始图像样本和m个图像锚点的预测标签，此时图像数据预处理过程结束。当预处理过程完成后，能够采用全样本聚类中心比对或图像锚点比对实现大规模样本外新图像数据检索。该方法不仅避免了奇异值分解松弛过程和离散后处理过程，减少了信息丢失，还通过离散坐标上升优化算法大幅减少了聚类时间，进而实现大规模数据预处理的高效性。

本发明授权基于二部图割的快速大规模图像数据预处理方法及应用在权利要求书中公布了：1.一种基于二部图割的快速大规模图像数据预处理方法，其特征在于步骤如下： 步骤1：将n张a×b规模的图像拉长并整合为一个图像数据矩阵其中d＝a×b为单张图像数据的像素数； 步骤2：对图像数据矩阵X执行下采样，即采用层级二分K均值算法选取m＝2a个锚点，并得到锚点数据矩阵其中：a为层级二分K均值算法的二叉树层数； 构造如下二部图问题： 其中，bi为二部图矩阵B的第i行向量，表示第i个图像向量xi与其他所有图像向量的二部图相似度，1m为m维所有元素均为1的列向量；bij为B的第i行第j列元素，表示第i个图像向量xi与第j个锚点向量zj的二部图相似度；γ为稀疏正则化项的正则化参数； 通过下式求解上述二部图问题，并计算得到近邻数为r的二部图矩阵 其中，r为每个样本的锚点近邻数； 步骤3：分别构造离散图像样本标签矩阵和图像锚点标签矩阵并定义fjk为矩阵F的第j行第k列元素，gjk为矩阵G的第j行第k列元素，c为图像数据集所包含的类别数；在矩阵F、G和B的基础上，构建如下锚点层与样本层的类内相似度最大化离散模型： 同时对F和G进行正交归一化得到离散归一化模型如下： 然后按照上述构造规则分别对F和G进行随机初始化； 步骤4：通过交替迭代更新F和G优化步骤3构建的离散归一化模型： 1固定F，更新G： 计算并通过下式按行计算增量矩阵T： 其中，vk和gk分别为V和G的第k个列向量，vjk和gjk分别为向量vk和gk的第j个元素，tjk为增量矩阵T的第j行第k列元素，表示第j个图像锚点的第k类标签索引变化对应的目标函数增量； 然后在增量矩阵T基础上，按照下式更新指示矩阵G： 其中，·为逻辑指示符，逻辑为真则值为1，否则为0；为第j个图像锚点关于第k类的更新后标签元素； 2固定G，更新F： 计算并通过下式按行计算增量矩阵T*： 其中，uk和fk分别为U和F的第k个列向量，uik和fik分别为向量uk和fk的第i个元素，为增量矩阵T*的第i行第k列元素，表示第i个图像样本点的第k类标签索引变化对应的目标函数增量； 然后在增量矩阵T*基础上，按照下式更新指示矩阵F： 其中，为第i个图像样本点关于第k类的更新后标签元素； 3计算离散归一化模型的目标函数值，并与上次目标函数值差值判断是否收敛： 若不收敛，则返回①；若收敛，进行步骤5； 步骤5：输出F和G分别获取n个原始图像样本和m个图像锚点的预测标签，此时图像数据预处理过程结束。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。