[发明专利]基于最大期望参数估计的多分类器集成方法

权利要求书

1.一种基于最大期望参数估计的多分类器集成方法，其特征在于包括提取单元、检索单元、标记单元和学习单元；

步骤一：提取单元

该单元是提取图像库中每幅图像的底层视觉特征，然后将提取的特征放入特征库中，主要提取的底层视觉特征有颜色特征、纹理特征和形状特征；

步骤二：检索单元

该步骤属于一个人机交互的过程，用户随机从图像库中选取一幅示例图像，然后系统将特征库中每幅图像特征与该图像进行相似度比较，最后返回给用户与该示例图像最相似的N幅图像，其中N＝10；

步骤三：标记单元

该步骤要对进行学习训练的样本图像进行标记；

步骤四：学习单元

该单元主要包括三个步骤，

一构造分类器asymmetric bagging SVM；

二构造分类器random subspace SVM；

三为两类分类器加权来集成为一个分类器。

2.根据权利要求1所述的基于最大期望参数估计的多分类器集成方法，其特征在于所述的提取单元包括如下三个步骤：

步骤一、颜色的提取，用颜色直方图作为颜色特征；首先将颜色空间由RGB转化到HSV空间，然后将HSV颜色空间量化成64份，最后统计落在每一份中像素点的个数；

步骤二、纹理的提取，用离散小波变换后的均值和方差作为纹理特征；首先对图像进行3级小波变换，然后计算每级变换后3个高频子带的均值和方差；

步骤三、形状的提取，用边缘方向直方图作为形状特征；首先用Sobel算子提取图像边缘，然后统计图像边缘点在水平、45°、垂直、135°方向像素点个数。

3.根据权利要求1所述的基于最大期望参数估计的多分类器集成方法，其特征在于所述的检索单元是特征向量之间相似度比较，具体步骤为：

步骤一、用户任选一幅示例图像；

步骤二、计算该示例图像的底层视觉特征x_i(i＝1，2，3)；

步骤三、用欧式距离方法计算x_i与图像库中任意图像x_j的相似度S_i，j，

S_i，j＝exp(-|x_i-x_j|²)；

步骤四、将S_i，j排序并返回前10幅图像。

4.根据权利要求1所述的基于最大期望参数估计的多分类器集成方法，其特征在于所述的标记单元的步骤如下：

步骤一、将反馈池中图像根据它们与用户所选示例图像是否同一个语义类将其标记为正例样本和反例样本；

步骤二、从未标记图像中再选取若干幅最能提供信息的图像作为反例样本来增加训练样本数量，进而提高系统性能。总的训练样本图像的数量为300幅。

5.根据权利要求1所述的基于最大期望参数估计的多分类器集成方法，其特征在于所述的学习单元的策略在于构造若干个分类器，并对各个分类器加权，其具体步骤如下：

步骤一、构造asymmetric bagging SVM(AB-SVM)分类器

1)设置AB-SVM分类器个数T_a＝5；

2)构造训练样本集。训练样本包括正例训练样本S⁺，反例训练样本S^-；

3)用bootstrap方法从反例样本S^-随机取样，使得正例训练样本的数量和反例训练样本的数量相等，即：

4)将训练样本中的正例样本标记为+1，反例样本标记为-1；

5)构造asymmetric bagging SVM分类器C_i，

步骤二、构造random subspace SVM(RS-SVM)分类器

1)设置RS-SVM分类器个数T_r＝5；

2)构造底层特征集F；

3)用bootstrap方法从底层特征集F中随机取样，构造新的底层特征F_j，使得F_j的维数大大少于F；

4)构造训练样本集。训练样本包括正例训练样本反例训练样本

5)将训练样本中的正例样本标记为+1，反例样本标记为-1；

6)构造random subspace SVM分类器C_j，

步骤三、计算分类器权值(EM方法)：

1)E阶段，计算各个分类器权值；

Wi(x)=P(x∈Ci|e,p,q)=P(x∈Ci|p,q)αiP(x∈Ci|p,q)αi+P(x∉Ci|p,q)βi]]>

其中：

αi=P(e1(x)=i,...,ek(x)=i|x∈Ci,p,q)=(Πk:ek(x)=ipk,i)(Πk:ek(x)≠i(1-pk,i))]]>

βi=P(e1(x)≠i,...,ek(x)≠i|x∉Ci,p,q)=(Πk:ek(x)≠iqk,i)(Πk:ek(x)=i(1-qk,i))]]>

α_i和β_i是独立于各个分类器的参数；

p_k，i＝P(e_k(x)＝i|x∈C_i)

敏感度p和特异性q是表示分类器性能的两个参数；

P(x∈Ci|p,q)=P(x∈Ci)=Σk#{x|ek(x)=i}ΣjΣk#{x|ek(x)=j}]]>

P表示样本x属于分类器C_i的先验概率；

2)M阶段，更新性能参数p和q；

pk,i(t+1)=Σx:ek(x)=iWi(x)ΣxWi(x)]]>qk,i(t+1)=Σx:ek(x)≠i(1-Wi(x))Σx(1-Wi(x)).]]>