[发明专利]一种基于稀疏编码K最近邻直方图的海量图像分类方法

权利要求书

1.一种基于稀疏编码K最近邻直方图的海量图像分类方法，具体包括以下步骤：

步骤一：对训练图像集提取N个大小为s×h的图像块，s、h均为像素单位，每个图像块是一个D＝s×h×d维的向量，当图片为RGB图像时，d＝3；当图片为灰度图像时，d＝1；整个训练图像集的图像块集合Patches表示为：

其中，p_i是图像块集合Patches中第i个图像块的像素构成的列向量，i＝1,…,N，N为图像块集合Patches的图像块总数，表示D维列向量；

步骤二：对图像块集合Patches进行预处理；对图像块集合Patches进行归一化，得到归一化后的图像块集合对归一化后的图像块集合进行白化操作，得到经归一化和白化操作后的图像块集合：

Patches‾whiten=[p‾whiten,1,...,p‾whiten,i,...,p‾whiten,N]]]>

其中，是图像块集合中第i个图像块经白化操作后的列向量；

步骤三：对归一化和白化操作后的图像块集合进行稀疏编码，得到基字典B；

步骤四：对于每张训练图片，从图片中每隔1个像素距离提取一个大小为s×h的图像块，每张训练图片共计提取Z个所述大小为s×h的图像块，所述图像块的集合表示为im_patch，对图像块集合im_patch经过所述归一化和白化操作后得到集合计算图像块集合中每个图像块imp_j与字典B中每一个基的欧式距离，j＝1,…,Z；针对图像块集合中每个图像块imp_j，找到字典B中与相应图像块imp_j欧式距离最近的K个基(basis)，将这些基记作KNN(imp_j)；每个图像块imp_j的特征向量是W维且其所有元素记为：每个图像块imp_j的特征向量中每个元素的计算公式为：

F(impj(w))=1,if B(w)∈KNN(impj)0,else]]>

其中，B(w)是基字典B中的第w个基，w＝1,…,W，表示图像块imp_j的特征向量中的第w个元素位置；由此可得到训练图片集所有图片的每个图像块的特征向量；

步骤五：在得到训练图片每个图像块的特征向量后，将图片从三个尺度上划分域：Level＝0时，保留整个图片为一个域；Level＝1时，将图片分为2×2＝4个域；Level＝2时，将图片分为2²×2²＝16个域；在这三个尺度上的每个域中分别计算每个图像块imp_j的特征向量中每个元素的0-1直方图，将所有域的直方图连接在一起即得到训练图片最终的特征表达；

步骤六：将训练图片集的特征表达输入支持向量机SVM中，训练分类器SVM；

步骤七：对测试样本集依次进行步骤一、步骤二、步骤四、步骤五的操作后，将得到的测试样本集的特征表达输入步骤六中训练好的分类器SVM中进行分类计算，最终实现测试图像的准确分类。