[发明专利]基于FISHER多级字典学习的图像分类方法

说明书

本发明公开了一种基于FISHER多级字典学习的图像分类方法，包括步骤：构建一个图像分类系统，导入样本图像，利用超完备字典上的稀疏表示矩阵对每个样本图像进行初步的适当分类；将上述经过超完备字典分类的图像基于FISHER多级字典进行不同层级上的学习，获得每个类别图像的具体信息和共同信息；使用FISHER判别准则的判别式对不同层级上字典的区分能力进行增强，形成最佳的图像分类判别标准；本发明提供的基于FISHER多级字典学习的图像分类方法可以更好地捕捉各种图像相较于其他图像最具有区别性的特征，以及各图像自身具备的最独特的特性，提升了分辨效率和准确率。

技术领域

本发明涉及图像处理技术领域，涉及一种图像分类方法，尤其涉及一种基于FISHER多级字典学习的图像分类方法。

背景技术

疏编码已经成为计算机视觉和模式识别领域的热门话题，并且已经被广泛应用于处理多种问题，如图像超分辨率，图像去噪，图像检索，图像分类，对象检测，以及事件检测。稀疏编码的核心思想是将每个图像特征向量作为来自过度完整字典的几个原子的线性组合进行编码，稀疏编码的各种应用表明了区分特征在处理不同问题中的重要性。

在过去的十年中，已经发展了很多技术来提高稀疏编码和字典学习的性能，从而在图像分类上产生了许多最新的成果；例如：SRC是一种基于数据自我表示的方法，可以有效地从图像训练集中学习每个测试图像的L1稀疏表示。K‐SVD是一种基于广义K均值聚类的方法，其目的是通过迭代地处理稀疏编码和字典更新的问题，从训练样本中有效地学习一个过完全字典。DK‐SVD是一种基于判别性K‐SVD模型的方法，通过在目标函数中添加一个类别误差项，从训练样本中捕获过度完整的字典，使字典更具有判别性；LC‐SVD是一种基于标签一致K‐SVD模型的方法，通过在目标函数中引入一个二进制矩阵，迫使相同类别样本的稀疏表示更加相似，不同类别样本的稀疏表示更加不相似；SIDL是一种基于类别唯一字典模型的方法，通过在目标函数中引入一个结构化的非相干正则化项，有助于获得同类的样本的更相似的稀疏表示；SCDL是一种基于监督字典学习模型的方法，其目的是通过学习类别唯一字典和表示残差来提高分类准确性，以使表示系数更加区分；上述提到的图像分别方法可以

发明内容

本发明的主要目的在于解决现有技术中存在的图像分类精准度不够高的问题，提供一种基于FISHER多级字典学习的图像分类方法，具体技术方案如下：

一种基于FISHER多级字典学习的图像分类方法，包括如下步骤：

构建一个图像分类系统，导入样本图像，利用超完备字典上的稀疏表示矩阵对每个样本图像进行初步的适当分类；

将上述经过超完备字典分类的图像基于FISHER多级字典进行不同层级上的学习，获得每个类别图像的具体信息和共同信息；

使用FISHER判别准则的判别式对不同层级上字典的区分能力进行增强，形成最佳的图像分类判别标准。

本发明的进一步改进，还包括步骤，通过超完备字典上的稀疏编码将样本图像引导到一个矩阵；其中，所述矩阵中每一类是矢量化训练图像样本。

本发明的进一步改进，所述经过超完备字典分类的图像在FISHER多级字典的不同层级上进行了类别唯一字典和类别共享字典的学习，用以学习同同一类别内每个图像的细微差别特征和独特判断特征。

本发明的进一步改进，还包括步骤，首先，在所述FISHER字典的一个层级上将每个图像样本分成预设数量的图像块，通过所述图像块构建关联所述类别唯一字典的第一稀疏表示矩阵和关联所述类别共享字典的第二稀疏表示矩阵；

然后，通过所述FISHER字典的另一个层级将所述图像块逐行连接起来。

本发明的进一步改进，确定对应所述类别唯一字典的第一稀疏编码系数矩阵和对应所述类别共享字典的第二稀疏编码系数矩阵。