1.一种基于对偶局部学习的非负矩阵分解聚类方法，其特征在于，所述聚类方法中包括：S10根据待聚类图像选定待分类的数据矩阵V、簇类号a1和a2；

S20根据所述数据矩阵V构建目标函数O；

其中 ，F和A均为聚类指标矩阵 ，且F≥0，A≥0 ，FTF＝E ，ATA＝E，E为单位矩阵，n和m分别表示数据矩阵V的行数和列数；LX为数据矩阵的局部正则化矩阵，LY为数据矩阵的特征的局部正则化矩阵；X为基矩阵，Y为系数矩阵；μ为基矩阵X的结构保持系数，λ为系数矩阵Y的结构保持系数，ω为聚类指标矩阵F的局部学习正则化系数，γ为聚类指标矩阵A的局部学习正则化系数；

S30根据所述目标函数O，使用迭代的方法，输出类结果；

S40根据所述类结果对待聚类图像进行聚类。

2.如权利要求1所述的聚类方法，其特征在于，在步骤S30中，包括：S31使用拉格朗日乘子法对目标函数O进行优化，构造拉格朗日函数L；

其中， 以及

S32根据所述拉格朗日函数L分别得到聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y的迭代式；

S33根据聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y的迭代式进行迭代，输出类结果。

3.如权利要求2所述的聚类方法，其特征在于，在步骤S32中，包括：S321根据拉格朗日函数L分别对聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y求偏导；

S322同时约定 及 根据库恩塔克条件限定αijFij＝0、βijAij＝0及得到聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y的迭代式；

其中，i和j分别表示矩阵中的行和列； 且

4.如权利要求2或3所述的聚类方法，其特征在于，在步骤S32之后，还包括：S34针对聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y分别构建变量函数g(F)、g(Y)及g(A)；

在步骤S33中，根据聚类指标矩阵F、聚类指标矩阵A及系数矩阵Y的迭代式进行迭代，直到变量函数g(F)、g(Y)及g(A)均为凸函数，输出类结果。