[发明专利]一种基于稀疏编码提取子的图像分类方法及系统

说明书

本发明公开了一种基于稀疏编码提取子的图像分类方法及系统，通过将一个特征描述项集成到现有的判别型标签一致字典学习框架，提出一个统一的“编码+描述+分类”模型框架。模型通过最小化稀疏重构错误、特征描述错误、稀疏编码错误和分类错误，得到判别的稀疏编码，同时输出一个线性的稀疏编码提取子和一个多类分类器。稀疏编码提取子主要通过最小化图像数据之描述和其稀疏编码之间的拟合错误得到。通过计算一个稀疏编码提取子，可快速实现样本外图像数据的分类，无需引入额外的稀疏重构过程，有效提高了图像分类的精准度。分类过程主要通过线性分类器实现，输出测试样本的类别归属概率，取概率的最大值，用于类别鉴定，得到最准确的分类结果。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种基于稀疏编码提取子的图像分类方法及系统。

背景技术

随着计算机技术和智能化的不断发展，图像分类技术已经发展成为计算机视觉与模式识别中非常重要的一个研究课题。图像分类技术通过计算机将图像电子化，然后分析图像数据，获取图像数据的特征，在很多领域有着重大的意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。但是抽取图像特征的过程具有一定难度，其中的主要难点是快速获取具有高效表征能力的稀疏编码。目前的大部分研究工作都集中在处理图像特征提取问题，且也已取得一定的成果。但是真实世界中图像通常包含破坏、丢失数据，因此如何快速获得具有高效表征能力的稀疏编码用来提取图像的特征是需要深入探讨的问题。

近年来，K-SVD和D-KSVD(Discriminative K-SVD)等经典的字典学习算法可通过学习一个重构的字典，训练得到数据集的稀疏编码来表征数据的特征，并计算得到线性分类器，可对数据进行分类。但当选取的训练数据样本较少时，数据的特征未能精确的表征，所以分类的精度很低。为了克服此缺点，它们的推广LC-KSVD(Label Consistent K-SVD)被提出。已知全部数据样本的标签，LC-KSVD在学习判别的可重构字典时，有效的保持字典各项与数据标签的内在联系，使得即使训练样本较少，通过学到的字典训练得到的稀疏编码也能最大程度的表征数据的特征，从而通过计算得到的线性分类器精确的对图像数据进行分类。LC-KSVD目标是引用额外的稀疏重构过程，分类过程较慢且不能最大程度地表征用于测试的图像的特征，达到精确分类的目的。

因此，提供一种直接从测试图像样本获得其稀疏编码的方法及系统而无需引用额外的稀疏重构过程，实现快速提高图像分类的准确度，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本申请提供了一种基于稀疏编码提取子的图像分类方法及系统，以克服现有技术中需引入额外稀疏重构过程，而不能快速的直接从测试数据获得稀疏编码提取测试数据的特征以最大化分类精度的问题。

为解决上述技术问题，本申请提供一种基于稀疏编码提取子的图像分类方法，包括：

对原始训练集X中训练样本进行标签一致的字典与嵌入学习，得到稀疏编码提取子P；利用所述稀疏编码提取子P，优化得到线性多类分类器W；

利用所述稀疏编码提取子P，对测试样本x_new的显著特征进行提取，表征所述测试样本x_new的稀疏编码s_new，为下一步分类测试做好准备；

将所述测试样本x_new的数据特征输入到所述线性多类分类器W进行分类，输出所述测试样本x_new的类别归属概率，选取归属概率最大值对应的类别为所述测试样本x_new的类别，以得到最准确的分类。

优选的，利用以下训练模型对原始训练集X中训练样本进行标签一致的字典与嵌入学习，得到稀疏编码提取子P；利用所述稀疏编码提取子P，优化得到线性多类分类器W：