[发明专利]基于改进的潜在狄利克雷分配的自然图像分类方法

权利要求书

1.一种基于改进的潜在狄利克雷分配的自然图像分类方法，包括如下步骤：

(1)采用网格分块方法对每一幅自然图像进行网格稠密采样，得到每幅自然图像相应的网格采样点；

(2)对每一个网格采样点提取其周围区域的尺度不变特征转换SIFT特征；

(3)对所有自然图像提取出来的SIFT特征进行K聚类，K聚类生成的n个聚类中心即n个视觉单词，n个视觉单词构成一个视觉词典；

(4)用每幅自然图像中网格采样点的SIFT特征分别与视觉词典中的每个视觉单词进行比较，找出与每幅自然图像中网格采样点的SIFT特征最相近的视觉单词来代替该SIFT特征，使得每幅自然图像均由n个视觉单词表示，即量化每幅自然图像为由n个视觉单词构成的视觉文档；

(5)根据空间金字塔匹配SPM对每篇视觉文档构建二层空间金字塔，第一层空间金字塔中为原视觉文档，第二层空间金字塔中为经过平均划分后得到的四个视觉子文档，则每篇视觉文档经过空间金字塔匹配后可以得到五篇视觉文档；

(6)将每幅自然图像对应的五篇视觉文档分别输入给潜在狄利克雷分配LDA模型进行若干次吉布斯Gibbs采样迭代，得到每幅自然图像的五个潜在语义主题分布；

(7)将每幅自然图像的五个潜在语义主题分布顺次相连后输入给支持向量机SVM分类器进行分类，选择所有自然图像的一半的图像作为训练样本，另一半的图像作为测试样本，得到分类结果。

2.根据权利要求书1所述的基于改进的潜在狄利克雷分配的自然图像分类方法，其中，步骤(1)所述的采用网格分块方法对每一幅自然图像进行网格稠密采样，得到每幅自然图像相应的网格采样点，是将每幅自然图像用水平和竖直的线均匀地分割，从而得到每一幅自然图像的网格采样点。

3.根据权利要求书1所述的基于改进的潜在狄利克雷分配的自然图像分类方法，其中，步骤(6)所述的将每幅自然图像对应的五篇视觉文档分别输入给潜在狄利克雷分配LDA模型进行若干次Gibbs采样迭代，得到每幅自然图像的五个潜在语义主题分布，按如下步骤进行：

(6a)对于每篇视觉文档中的每一个视觉单词w_i，随机设定该视觉单词所属的主题z_i，令{z_i＝{1,2,...,T},i＝1,...,M}，其中M为视觉文档的视觉单词总数，T为主题个数，该状态即为Markov链的初始状态；

(6b)根据下式将每篇视觉文档中的视觉单词分配给某个主题，获取Markov链的下一个状态，

P(zi=j|z-i,w)∝n-i,jwi+βn-i,j(·)+Wβn-i,j(di)+αn-i,·(di)+Tα,---1)]]>

其中，z_i表示视觉单词ω_i所分配的主题，z_-i表示除视觉单词ω_i以外的其他视觉单词的主题分配情况，表示分配给主题j的与视觉单词ω_i相同的视觉单词个数，表示分配给主题j的所有视觉单词个数，表示视觉文档d_i中分配到主题j的视觉单词个数，表示文档d_i中所有被分配了主题的视觉单词个数，表示所有的视觉单词个数均不包括这次z_i＝j的分配，∝为正比于符号；

(6c)重复步骤(6b)直至Markov链达到极限分布，即将每篇视觉文档中所有视觉单词均分配到某主题，取z_i的当前值作为样本记录下来；

(6d)统计分配到每篇视觉文档的主题个数和分配到各个主题的视觉单词的个数，得到视觉文档d下主题的分布参数θ和主题下视觉单词w的分布参数φ的估计：

θ={θj(d)|j=1,2,...,T}---2)]]>

其中，φj(w)=nj(w)+βnj(·)+Wβ---4)]]>

θj(d)=nj(d)+αn.(d)+Tα---5)]]>

其中，为视觉单词w属于主题j的概率，为分配给主题j的与视觉单词w_i相同的视觉单词个数，表示分配给主题j的所有视觉单词个数，为视觉文档d中主题j发生的概率，表示视觉文档d中分配到主题j的视觉单词个数，表示视觉文档d中所有被分配了主题的视觉单词个数，α为θ的超参数，取值为α=50/T，β为的超参数，取值为β=0.01；

(6e)利用式2)至式5)，得到每幅自然图像的五个潜在语义主题分布。