[发明专利]基于特征权重学习与核稀疏表示的图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及基于核稀疏表示的分类方法，可用于对图像进行分类。

背景技术

图像分类是计算机视觉以及模式识别领域的主要课题之一。近些年来，稀疏表示方法被成功应用于图像分类。在基于稀疏表示的分类SRC方法中，测试样本首先由尽可能少的训练样本的线性组合来表示，之后通过比较各类数据对该测试样本的重建误差来寻找能够最好的线性表示该样本的类，将样本归入该类。杨等人在文章：Fisher Discrimination Dictionary Learning for Sparse Representation中提出了一个针对模式分类问题的基于SRC的FDDL模型。假设D＝(D¹,D²,...,D^C)是一个从训练集构造的结构化的字典，D^p是对应第p类数据的子字典。在字典学习过程中，根据Fisher判别准则使得样本在字典上的稀疏表示系数在最小化类内散度的同时最大化类间散度，则利用结构化字典中的每个子字典能更好的表示对应类的样本。Chiang等人在文章：Learning Component-level Sparse Representation Using Histogram Information for Image Classification中提出了基于特征重要性学习的稀疏表示分类方法，将特征重要性作为子字典特征层的权重，衡量每个子字典用来表示对应类样本时在特征层上的类特异性；之后，每个子字典根据其上的特征重要性迭代更新以减少不重要的特征成分的影响。由于稀疏表示SR具有很好的重构样本的能力，所以SRC作为一种基于样本重构的分类方法能够提供很好的分类性能。然而，因为同一方向的样本在归一化后将会合而为一，使得这些SRC方法不能正确分类具有相同方向的样本。针对SRC方法的这一缺陷，张等在文章：kernel sparse representation-based classifier中提出了基于核稀疏表示的分类方法KSRC，用非线性的核映射将输入样本映射到高维的核空间中，分离了样本空间中方向相同的样本，使得核空间中的SRC分类器对于相同方向的样本的分类正确率得以提升。虽然KSRC方法能够提高SRC方法对于相同方向样本的分类性能，但是由于KSRC方法与SRC方法都没有利用训练样本在特征层上的类别信息，所以在特征层上它们都不具有图像判别能力，不能从特征层上对图像进行正确分类。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于特征权重学习与核稀疏表示的图像分类方法，以改善KSRC分类器，提高图像分类正确率。

实现本发明的技术思路是：在核子空间中通过训练集构造一个结构化的字典，其中每个子字典代表一类样本；根据每类训练集利用Fisher判别分析学习对应的子字典权重与重构误差权重；用所得的权重调整SRC分类器中的字典与重构误差，从而改进分类器，提高分类器的分类性能。

具体实现步骤如下：

(1)训练步骤

1a)输入训练集X'＝{X'¹,X′²，...,X'^C}，其中X′^p表示训练集中的第p类样本的集合，用非线性核映射将训练集X'中的样本映射到核空间，并用主成分分析PCA算法将其降维到核子空间中，得到核子空间中的训练集X＝{X¹,X²,...,X^C}，其中X^p表示训练集中的第p类样本的集合p＝1,2,...,C，C表示训练集中的样本类别数；

1b)在核子空间中，利用训练集X构造结构化字典D＝(D¹,D²,...,D^C)，其中D^p,p＝1,2，...,C表示结构化字典中与训练子集X^p对应的子字典；

1c)求解训练子集X^p在字典D上的稀疏系数A，p＝1,2，...,C；

1d)基于训练子集X^q、字典D、训练子集的稀疏系数A，利用非支配排序遗传算法NSGA-2从如下优化公式中，求得第p类子字典D^p的权重β^p，p＝1,2，...,C，q＝1,2,...,C，