[发明专利]基于全局和局部结构融合的图像特征提取方法

权利要求书

1.基于全局和局部结构融合的图像特征提取方法，其特征在于，分为下列步骤：

步骤1、构造训练数据的加权邻接图

步骤1.1、在现有的数据集的每一类数据中，选取任意个数n的数据点组成训练图像数据集，并在剩余的数据点中选取任意个数的数据点组成测试图像数据集，其中每一个数据点为一幅图像；

步骤1.2、通过顶点以及每个顶点与其最近邻点之间边的权值构造加权邻接图；

步骤1.2.1、加权邻接图的每个顶点对应于训练图像数据集中的一个数据点；

步骤1.2.2、若顶点x_j属于顶点x_i的k-最近邻点，k为最近邻范围，即x_j是x_i的k范围内的最近邻点，则在x_i和x_j之间建立一条边e＝ij，其权值通过下式求出：

其中，若顶点x_j属于顶点x_i的k-最近邻点或顶点x_i属于顶点x_j的k-最近邻点，

则w(i，j)为通过式(1)求出，其他情况下，w(i，j)＝式(2)；β为任一正实数；

步骤2、根据步骤1得到的加权邻接图确定相似矩阵W、度矩阵D和加权邻接图的拉普拉斯矩阵L

步骤2.1、相似矩阵W中的每个元素的值为通过步骤1.2.2求得的w(i，j)，即W_ij＝w(i，j)，其中i＝1，2，3，…，n、j＝1，2，3，…，n；

步骤2.2、度矩阵D＝diag(d₁，d₂，…，d_n)，其中，d_i为顶点x_i的度，其值通过以下公式求出：

步骤2.3、加权邻接图的拉普拉斯矩阵L＝D-W，即

步骤3、确定训练图像数据集的类内散布矩阵S_w和类间散布矩阵S_b

类内散布矩阵S_w和类间散布矩阵S_b分别通过以下公式求出：

Sw=1nΣi=1cΣx∈Xi(x-X‾i)(x-X‾i)T;]]>

其中，数据集X包含n个训练图像数据点，有c个目标类别，则第i类目标的数据集为X_i(i＝1，2，…，c)，其数据点个数为n_i，则X＝[X₁，X₂，…，X_c]；x是指n个数据点中属于第i类目标的各个数据点；为第i类目标的均值向量，为总体的均值向量，其中，i＝1，2，…，c；

步骤4、确定投影矩阵A

投影矩阵A通过通过以下公式求出：

其中，ρ为调节因子，且

0≤ρ≤1，若ρ＝0，上述公式表示全局特征，若ρ＝1，上述公式表示局部特征；n为训练图像数据集中数据点的总数；X为训练图像数据集以及测试图像数据集中所有的数据点构成的矩阵，trace为求迹；

步骤5、识别

将训练图像和测试图像分别利用所述投影矩阵A映射到特征空间中，得到训练系数矩阵和测试系数矩阵，采用最小距离分类器，即可获得识别结果。