matlab中存档算法代码L0动机的低秩稀疏子空间（LRSSC） 概述 在MATLAB中提出的GMC-LRSSC和L0-LRSSC的MATLAB实现。 GMC-LRSSC通过使用基于最小最大凹（GMC）罚函数的多元泛化的正则化来解决子空间聚类问题。 L0-LRSSC解决了Schatten-0和L0准规范的正则化目标。 为了运行建议的算法，提供了示例脚本和数据（run_dataset_name脚本）。 数据集 本文中使用的数据集可在“数据集”目录中找到。 数据集目录包括来自的扩展Yale B数据集，来自的USPS数据集，来自的MNIST数据集以及来自UCI机器学习存储库（）的ISOLET1数据集。 引用 在研究工作中使用代码时，请引用Maria Brbic和Ivica Kopriva撰写的“ℓ₀-动机低秩稀疏子空间聚类”。 @article{brbic2018, title={$\ell_0$-Motivated Low-Rank Sparse Subspace Clustering}, author={Brbi\'c, Maria and Kopriva, Ivica}, journa

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

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.

基于加权稀疏子空间聚类多特征融合图像分割.pdf

稀疏子空间聚类（SSC）算法，该算法用于使用稀疏表示技术对从子空间的并集得出的点进行聚类。 SSC算法分两个步骤解决子空间聚类问题：第一步，对于每个数据点，我们找到属于同一子空间的其他一些点。为此，我们解决了一个全局稀疏优化程序，该程序的解决方案将有关数据点成员资格的信息编码到每个点的基础子空间。在第二步中，我们在谱聚类框架中使用此信息来推断数据的聚类。

稀疏子空间聚类，绝对靠谱，直接运行即可成功

提出一种基于改进稀疏子空间聚类的图像分割方法。首先将图像进行过分割得到一些均匀区域称 为超像素，并提取超像素的颜色直方图作为其特征；然后建立特征数据的改进稀疏子空间表示并由此构造图相似 度矩阵，最后利用谱聚类算法得到超像素的聚类结果并作为图像分割结果。实验结果表明，本文提出的改进稀疏 子空间聚类方法具有良好的聚类性能，对噪声具有一定的鲁棒性；用于自然图像能够得到更好的分割效果。

一篇关于稀疏子空间聚类算法、理论的概述性论文，可以用于参考

CVPR2009的稀疏子空间聚类代码，亲测可用，以帮助需要的人