[发明专利]一种无监督图像特征的提取及分类方法

说明书

本发明公开了一种无监督图像特征的提取及分类方法，其包括以下步骤：A：建立具有三个隐藏层的串行栈式自编码器网络，将图像原始数据进行降维后输入所述自编码器网络；B：预训练网络得到权重矩阵W和偏置b；采用贪婪算法训练第一个隐藏层后更新权重矩阵W和偏置b，得到第一隐藏层特征矩阵，输入第一隐藏层特征矩阵，采用贪婪算法训练第二隐藏层后再次更新权重矩阵W和偏置b，得到第二隐藏层特征矩阵；C：根据分类精度加权融合第一隐藏层特征矩阵和第二隐藏层特征矩阵的特征得到混阶特征矩阵H；D：混阶特征矩阵H通过SVM分类器进行分类，得到分类结果；E：通过比对，得到分类精度A。本发明具有缓解高维图像的“维数灾难”问题和识别精度高的优点。

技术领域

本发明涉及一种无监督图像特征的提取及分类方法。

背景技术

图像处理与分类识别是深度学习领域的一个重要方向。近年来，随着深度学习的发展，深度学习所取得了举世瞩目的成绩。然而，现实中很多图像都具有较高的像素，比如数码相机、手机或者高清监控拍摄的图像像素都很高，原始图像高达几千万维，直接将原始的几千万维的图像数据转成向量输入到网络，因涉及到向量的计算问题，随着向量维数的增加，计算量呈指数倍增长，这种处理方式会有“维数灾难”的问题。

目前，对深度学习样本的研究主要还是基于对深度学习模型的改进、样本特征的提取和卷积网络的改进。传统用的方法针对如何减少深度学习的数据训练样本成本并且保证深度学习效果的研究，要么是对训练样本进行特征标注提取，要么对学习过程进行方法改进。这些研究都带来了成本的增加，并且样本数量并不能够有非常显著的减少。在深度学习中，训练数据越多，训练效果越好，需要用来学习的训练样本量很大，但是有时无法提供成代变迁的数据图片用来学习，标记训练数据不足或高成本成为制约深度学习的一大瓶颈。目前在机器学习领域主要有监督学习、无监督学习和半监督学习三大类，其中监督学习和半监督学习处理图像需要图像携带标签信息，通过图像和标签信息，达到图像的识别分类，传统的监督学习及半监督学习学习依赖于大量带标签数据作为样本进行训练，而大量带标签数据的采集成本非常高，因此对无标签图像的处理是监督学习和半监督学习面临的一大难题。

发明内容

本发明的目的在于克服现有技术之不足提供一种无监督图像特征的提取及分类方法。

本发明解决其技术问题所采用的技术方案是：

一种无监督图像特征的提取及分类方法，其包括以下步骤：

A：建立具有隐藏层的串行栈式自编码器网络，将图像原始数据进行降维后输入所述自编码器网络；

B：预训练网络得到权重矩阵W和偏置b，采用贪婪算法训练第一个隐藏层后更新权重矩阵W和偏置b，得到第一隐藏层特征矩阵，输入第一隐藏层特征矩阵，采用贪婪算法训练第二个隐藏层后再次更新权重矩阵W和偏置b，得到第二隐藏层特征矩阵；

C：计算第一隐藏层和第二隐藏层各自的分类精度Y_pq，其中，Y_pq表示第q隐藏层的第p次的分类精度，q∈{1，2}，p∈N⁺，根据分类精度的不同赋予第一隐藏层和第二隐藏层相应的权重，加权融合第一隐藏层特征矩阵和第二隐藏层特征矩阵的特征得到混阶特征矩阵H；

D：混阶特征矩阵H通过SVM分类器进行分类，得到分类结果；

E：通过将分类结果与图像原始数据的图像标签进行比对，得到分类精度A。

在另一较佳实施例中，步骤A中，所述自编码器是稀疏自编码器。

在另一较佳实施例中，所述稀疏自编码器的代价函数为其中为稀疏惩罚项，β为稀疏惩罚项的权重系数，S₂是隐藏层中隐藏神经元的数量，而j依次代表隐藏层中的每一个神经元，隐藏层神经元j的激活度ρ为稀疏性参数。

在另一较佳实施例中，步骤B中，还包括微调所述自编码器网络。