[发明专利]一种基于四元数超限学习机彩色图像识别方法

权利要求书

1.一种基于四元数超限学习机彩色图像识别方法，其特征在于，包括：

读取样本库中各彩色图像R、G、B三个通道的数据，并将各彩色图像三个通道的数据用四元数表示；

提取图像特征值，对得到的四元数进行降维处理；

构建四元数超限学习机模型，并进行数据训练；

输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别。

2.如权利要求1所述的方法，其特征在于，所述提取图像特征值，对得到的四元数进行降维处理，具体为：

通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数。

3.如权利要求2所述的方法，其特征在于，所述通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数，具体为：

a.计算样本库中彩色图像均值及对应协方差矩阵：

将样本库中彩色图像转化成四元数列向量，将每幅图像记为

X_i∈H^m×n，i＝1，2，……p，p为样本库中彩色图像数量，m，n分别为图像的高和宽；

将样本库中彩色图像合成四元数据矩阵X＝[X₁,X₂…X_p]，得到图像均值

计算每幅图像与图像均值的协方差矩阵A为m×n阶矩阵；

b.计算图像的特征值进行降维：

令B＝D·D^T∈H^d×d，min{m,n}大于d，根据奇异值分解定理，将计算出的协方差矩阵A转化为求d阶矩阵B的特征值和特征向量；

在四元数矩阵B对应的特征值中选取较大的特征值作为新的特征值，所述新的特征值数量即为原始图像降维后的维数，记为L。

4.如权利要求3所述的方法，其特征在于，所述构建四元数超限学习机模型，并进行数据训练，具体为：

将所述样本库中各彩色图像分为训练数据集和测试数据集；

构建四元数超限学习机模型：

将降维后的维数L作为输入神经元个数，输入层的权值和阈值矩阵在[0,1]之间随机选择，根据仿真实验，确定最优隐含层神经元个数，隐含层的激活函数选择三角函数sin；

将训练数据集和测试数据集分别导入超限学习机模型，确定隐含层到输出层权重。

5.如权利要求4所述的方法，其特征在于，所述将训练数据集导入超限学习机模型，确定隐含层到输出层权重，具体为：

计算隐含层的输出矩阵：

训练数据集样本为z为训练数据集中样本数量，x_s∈H^L是输入变量，t_s∈H^N是对应的目标输出变量，隐含层输出矩阵为其中w_m∈H^L，b_m∈H^L分别是连接第m个隐节点与输入节点的权值变量和阈值，g_q(·)为四元数的激活函数；四元数单隐层前馈神经网络满足

将上式简化为Hβ＝T，其中β_m∈H^N是连接第m个隐节点与输出节点的权值向量；

根据最小二乘估计法求出隐含层到输出层的权重其中为四元数隐含层输出矩阵H的广义逆。

6.如权利要求5所述的方法，其特征在于，所述输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别，具体为：

将待分类图像带入Hβ＝T中，输出图像特征矩阵T，利用训练好的四元数超限学习机完成分类及识别。

7.如权利要求1-6所述的方法，其特征在于，所述样本库中的各彩色图像包含正样本和负样本。