[发明专利]一种图像的特征提取与分类联合方法及系统

权利要求书

1.一种图像特征提取与分类联合方法，其特征在于，包括：

获取训练样本的近邻样本，构造近邻图，并计算所述训练样本的重构系数矩阵，其中，所述训练样本为图像数据，所述图像数据X的表达式如下：

X＝[x₁,x₂,...,x_N]∈i^n×N；

式中，n是图像样本的维度，N为样本的数量，x₁,x₂,...,x_N为样本数据，i为顶点；

根据所述重构系数矩阵，基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练样本进行低维流形特征学习，得到一个能提取低维流行特征的线性投影矩阵，包括：基于凸优化问题：

输出所述线性投影矩阵；

其中，α为权衡参数，S为得到的重构权重系数矩阵，|| ||_*表示矩阵的核范数，|| ||_F为矩阵Frobenius范数，Y^T-SY^T为近邻重构错误，PX-Y为特征近似错误，P为线性投影矩阵，Y为低维流行特征；

基于所述线性投影矩阵提取的低维流行特征对分类器进行更新，通过最小化L2,1-范数正则化的分类错误，完成分类器学习；

利用所述线性投影矩阵提取测试样本的低维流行特征，利用学习后的分类器对测试样本分类。

2.根据权利要求1所述的方法，其特征在于，所述获取训练样本的近邻样本，包括：

采用K最近邻分类算法，得到训练样本的K个近邻样本。

3.根据权利要求1所述的方法，其特征在于，所述计算重构系数矩阵，包括：

基于计算公式：

计算重构系数矩阵；

其中，其中，x_i和x_j分别为训练图像样本的第i,j个数据，NN(x_i)为训练图像样本x_i的近邻集合，x_j∈NN(x_i)表示x_j为样本x_i近邻，|| ||表示向量的L₂范数。

4.根据权利要求1所述的方法，其特征在于，所述基于所述线性投影矩阵提取的低维流行特征对分类器进行更新，通过最小化L2,1-范数正则化的分类错误，完成分类器学习，包括；

基于凸优化问题：

完成分类器的学习；

其中，W为分类器矩阵，β为权衡参数，H＝[h₁,h₂,K,h_N]∈^c×N为训练样本的原始标签矩阵，其中h_j为样本x_j的原始标签，c为类别数，对于每个有标签的数据x_j，如果x_j属于类别i，其中，1≤i≤c，则h_i,j＝1，否则h_i,j＝0，|| ||_F表示Frobenius范数，|| ||_2,1表示L2,1-范数。