[发明专利]基于低秩稀疏表示的图像分类方法

说明书

基于低秩稀疏表示的图像分类方法，包括以下步骤：将训练样本A和测试样本Y的每一列分别归一化为单位L₂范数；计算投影矩阵P；计算训练样本A的投影矩阵A'；计算测试样本Y的投影矩阵Y'；使用最近邻分类器完成分类任务。本发明有益效果：本发明将稀疏表示、低秩表示和判别投影集成到一个框架中，并考虑了观测数据的局部和全局结构信息，与其他降维方法相比，该方法对离群点和噪声具有更强的鲁棒性。

技术领域

本发明涉及图像识别技术领域，具体地说是基于低秩稀疏表示的图像分类方法。

背景技术

图像识别是生物识别，计算机视觉和机器学习中最具吸引力和具有挑战性的研究课题之一。然而，原始的数据图像通常是高维的，这将导致在图像识别过程中需要大量的计算和较高的内存。而且，原始的高维图像数据通常包含大量的噪声信息，这会降低图像识别的性能。为了解决这些问题，提出了许多特征提取方法来降维。最经典且有代表性的降维方法有主成分分析(PCA)和线性判别分析(LDA)。PCA是一种无监督算法，在这个算法中保留了全局方差，且重构误差最小；LDA是一种有监督算法，投影空间中类间散布矩阵(S_B)最大化，而类内散布矩阵(S_W)最小化。由于PCA和LDA简单有效，所以提出了许多基于PCA或LDA的线性降维算法。模块化图像PCA和加权模块化图像PCA都使用模块化图像分解技术进行特征提取。但是，目前的方法都不能处理新样本，换句话说，这些方法中没有投影矩阵，他们不能处理新的样本。为了解决这个问题，本文提出了局部保持投影(LPP)算法，以获得保存局部信息的嵌入投影轴。

稀疏表示被广泛用于稀疏重构，图像识别，去噪，图像分类等。Wright等人首先将稀疏表示引入图像识别，并给出了一种基于稀疏表示的分类(SRC)算法。在SRC中，所有训练样本用于线性表示新样本。当同一类信息的训练样本与新样本对应的线性表示系数不为零，其余系数均为零时，将获得很好的分类性能。L₁范数优化问题可以满足上述要求，这是SRC的关键。受SRC和图像重建的启发，Wei等人提出了一个局部敏感的字典学习算法。稀疏表示不能很好地描述样本的判别信息。为了解决这个问题，提出了基于SRC的Fisher判别准则(SRC-FDC)算法。在SRC-FDC中，局部重建关系和空间欧氏分布都具有很好的特征。Wang等人提出了一种流形正则化局部稀疏表示(mrlsr)算法。通过将流形学习为核心的SRC(改进算法)，提出了核局部SRC算法(klsrc)。在这些方法中，每个类对应的重构误差被用来作为分类识别的判别信息。然而，类信息和判别信息没有被强制执行到稀疏编码系数中。

低秩矩阵表示已成为计算机视觉，人工智能和机器学习领域最受欢迎的研究领域之一，引起了人们的高度重视。为了解决子空间聚类问题，恢复观测数据的子空间结构，提出了低秩表示(LRR)算法。通过求解一个基于核范数正则化的优化问题，LRR可以得到所有样本的最低秩表示。数据的局部结构信息对于聚类和分类问题尤为重要。但是，这个信息被LRR忽略。因此，Peng等人建立了一种基于流形学习的新型LRR(MLRR)方法。Zhang等人提出了一种低秩矩阵分解方法，在矩阵分解中引入流形正则化方法。为了得到低秩表示的最大似然估计解，通过求解重新加权的不精确增广拉格朗日乘子算法，提出了一个鲁棒的低秩表示。在低秩表示中，所有子空间都是独立的。但是，这种推定通常不适用，Tang等人提出了一个基于结构约束的LRR(SC-LRR)来解决这个问题。在LRR算法中，预计子空间是独立的，然而，他们并没有像预期的那样独立。此外，SRC和LRR属于无监督的方法，他们不利用类别信息，这对分类是非常重要的。因此，本文提出了一种基于鲁棒低秩稀疏表示的特征提取方法，即基于低稀疏表示的图像分类方法。

发明内容

本发明所要解决的技术问题是提供基于低秩稀疏表示的图像分类方法，解决现有方法不能处理新的样本等问题。

本发明为解决上述技术问题所采用的技术方案是：基于低秩稀疏表示的图像分类方法，包括以下步骤：