[发明专利]基于正向-多反向协作稀疏表示分类器的图像标注方法

权利要求书

1.基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，包括以下步骤：

(1)将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；

(2)构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型；

(3)基于置信度最小均方误差准则集成优化正向-多反向协作稀疏表示分类器模型；

(4)利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注。

2.根据权利要求1所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(1)的具体实现步骤为：

1)设计基于均方误差最大化的图像集多样化分解算法，与聚类相反，多样化分解的目标是使各样本与所属子集平均值间的均方误差最大；假设图像样本y从子集Ω_i移至Ω_k，使子集Ω_i误差平方和减少ΔJ_i，子集Ω_k误差平方和增加ΔJ_k，若ΔJ_k＞ΔJ_i，且对于ΔJ_k≥ΔJ_i，ΔJ_i为将样本y从子集Ω_i移至Ω_j，Ω_j的误差平方和增加值，则将图像样本y从子集Ω_i移至Ω_k，可使总误差平方和值增加最大；若ΔJ_k≤ΔJ_i，则不移动样本y；按此方法迭代移动各样本；可以看出，多样化分解的目标是使子集内样本离散度增大，而子集间样本离散度减小，因而，可采用指标或tr(S_b)/tr(S_w)，其中S_b为子集间离散度矩阵，S_w为子集内离散度矩阵，依据所述指标的变化在子集间移动各样本；

2)无标签图像集多样化分解后，多反向稀疏表示在有标签图像和各个无标签图像子集之间进行，整个无标签图像集与有标签图像集之间的概念相似度关联由各个反向稀疏表示建立的关联权重归一化拼接而成。

3.根据权利要求1所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(2)的具体实现步骤为：

首先输入训练图像样本，并对图像进行预处理，提取图像颜色、纹理、形状特征，然后基于这些训练样本，在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决；然后用无标签图像与所有正例图像语义关联权重占比来表示无标签图像与概念的相似度，并依据在步骤(1)完成后得到拼接后的概念相似度关联进行分类决策；在此基础上，进一步与正向稀疏表示协作训练，构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型。