[发明专利]基于信任函数理论的图像分类方法

说明书

本发明公开了一种基于信任函数理论的图像分类方法，将待分类图像集X中的所有图像划分为多个初始子类；计算出每个初始子类的密度值；根据初始复合类和对应初始单类密度值的大小关系，将初始复合类和对应初始单类中的图像合并，生成新单类和新复合类，直至合并后生成的新单类和初始单类数量之和为c；将初始复合类中的图像划分到新单类、初始单类或新复合类中，得到待分类图像集X中的图像的分类结果；本发明利用不同类的密度将复合类和单类以一个给定的规则逐渐合并到一起，直到满足合并后的初始单类数量刚好为图像真实分类数量时停止，有效地降低错误划分数据带来的风险，避免做出错误或偏差较大的决策。

【技术领域】

本发明属于图像分类识别技术领域，尤其涉及一种基于信任函数理论的图像分类方法。

【背景技术】

不平衡数据聚类是模式识别和无监督机器学习的重要分支之一，在各个领域有着广泛的应用。

对空中目标的图像识别是航空军事监视系统的一个重要研究方向。由于人为对抗、战场环境复杂多变以及传感器性能限制等原因，图像传感器在对空中运动目标拍摄图像时会出现不同类别运动目标图像数量不平衡的情况，具体表现为拍摄的不同运动类别图像在数量上存在较大差异，同时不同目标在某些视角下的图像有可能十分相似，这使获得目标图像有了很大不确定性。

现有经典聚类方法对这些不平衡样本进行无监督分类(聚类)时往往很难获得可靠的结果，甚至出现“平衡效应”，即不同目标的图像数量差异非常大，比如，同时对两种目标拍摄图像，可能其中一种目标的图像数量极少，另一种极多，但聚类后，仍然会将图像集聚类为数量大致相等的两个目标类别，导致图像分类时出现了较高的错误率。同时传统的经典聚类方法并没有考虑不同目标在某些视角下的图像有可能十分相似，即不同目标的图像在部分位置有可能相似的问题，当隶属于不同目标的图像相似度很高时，对这些重叠图像往往是很难聚类准确的。

【发明内容】

本发明的目的是提供一种基于信任函数理论的图像分类方法，在对不同目标的图像进行分类时，通过使用各类图像的密度作为分类标准对图像进行分类，提升图像分类的准确性。

本发明采用以下技术方案：基于信任函数理论的图像分类方法，包括以下步骤：

将待分类图像集X中的所有图像划分为多个初始子类；其中，初始子类由N个初始单类和多个初始复合类组成，每个初始复合类由两个初始单类组成，N≥c，c表示图像集X中所有图像的真实类别数；

计算出每个初始子类的密度值；其中，密度为初始子类中所有图像的欧氏距离平均值的倒数；

根据初始复合类和对应初始单类密度值的大小关系，将初始复合类和对应初始单类中的图像合并，生成新单类和新复合类，直至合并后生成的新单类和初始单类数量之和为c；

将初始复合类中的图像划分到新单类、初始单类或新复合类中，得到待分类图像集X中的图像的分类结果。

进一步的，初始复合类和对应初始单类密度值的大小关系由以下三种情况组成：

情况一：ρ_k,t≥ρ_k且ρ_k,t≥ρ_t；

情况二：ρ_k≤ρ_k,t≤ρ_t；

情况三：ρ_k,t≤ρ_k且ρ_k,t≤ρ_t；

其中，ρ_k为第k个初始单类的密度值，0≤k≤N，ρ_t为第t个初始单类的密度值，0≤t≤N，ρ_k,t为由第k个初始单类和第t个初始单类组成的初始复合类的密度值。