[发明专利]一种精细图像分类方法

说明书

本发明涉及一种精细图像分类方法，其特征在于包括构建分解字典学习模型，构造自适应局部保序约束模型，构造分类器模型，构造目标函数，目标函数求解和构造分类方法的模型等步骤。本发明不但能够在分解字典学习过程中自适应地捕获原子的局部几何结构信息和每个分解原子邻域的高阶秩信息特征，并能够通过原子间的距离衡量多视角数据对表征物体的贡献，增强编码系数和分解字典的判别性能。而且利用了分解系数和精细图像的类标矩阵构造分类器模型，并通过范数约束分类器参数，增强分类器学习模型的鲁棒性并降低算法的时间复杂度，提高基于自适应局部保序约束多视角分解字典学习算法的分类性能。

技术领域

本发明涉及一种精细图像分类方法，具体地是涉及一种基于自适应局部保序多视角分解字典学习的精细图像分类方法。

背景技术

精细图像包含有多个不同视角的视图信息，能从不同角度表征物体特征，多视角分解字典通过对多视角精细图像的稀疏分解，在提取和选择具有一定鲁棒性多视角特征的同时，还能学习具有良好分类性能的分类器，广泛应用于多视角精细图像分类中。但是，目前的多视角分解字典学习模型都是平等对待每个视角，忽略了不同视角精细图像对表征物体的贡献以及不同视角精细图像间的局部位置信息，降低了多视角分解字典学习模型的判别性能。

发明内容

本发明针对现有技术的不足，提供一种精细图像分类方法，具体地是提供一种基于自适应局部保序多视角分解字典学习的精细图像分类方法。

为了达到上述目的，本发明一种精细图像分类方法，主要包括以下步骤：

首先，构建分解字典学习模型，通过输入多视角精细图像数据来构造分解字典学习模型，把图像的像素值转换为基于列向量的输入矢量，并利用不同视角数据构造分解字典学习模型；以为每个视角数据学习一个分解字典和对应的分解系数。

其次，构造自适应局部保序约束模型，利用分解字典学习模型中学习得到的分解原子和profiles间的一一对应关系，构造自适应局部保序约束模型；以在分解字典学习过程中，保持分解原子的邻域关系和每个分解原子邻域的高阶排序信息，从而增强分解字典的判别性能。

第三，构造分类器模型，利用分解字典学习模型中学习的分解系数及多视角数据的类标矩阵，构造出分类器模型，并对分类器参数进行范数约束；以学习一个具有较鲁棒性和判别性的分类器参数，从而提高算法的分类性能。

第四，构造目标函数，在分解字典学习模型的基础上，增加自适应局部保序约束模型和分类器模型，从而构造出多视角分解字典学习算法的目标函数；以增强分解字典和判别器的判别性能，进而提高算法的分类性能。

第五，目标函数求解，采取梯度下降法对目标函数进行求解，获得多视角分解字典和编码系数。

第六，构造分类方法的模型，并输入测试样本的数据，从而输出测试样本的类标。

作为上述方法的进一步改进，所述第五步目标函数求解中，每一层的输出即为下一层的输入，直至对最后一层的输出层的目标函数进行求解，从而获得多视角分解字典和编码系数。

作为上述方法的进一步改进，第六步中，所述分类方法的模型是利用分类器和分解字典对测试样本进行分解，并根据分解系数与分类器的乘积来确定测试样本的类标的。

本发明不但能够在分解字典学习过程中自适应地捕获原子的局部几何结构信息和每个分解原子邻域的高阶秩信息特征，并能够通过原子间的距离衡量多视角数据对表征物体的贡献，增强编码系数和分解字典的判别性能。而且利用了分解系数和精细图像的类标矩阵构造分类器模型，并通过范数约束分类器参数，增强分类器学习模型的鲁棒性并降低算法的时间复杂度，提高基于自适应局部保序约束多视角分解字典学习算法的分类性能。

附图说明

图1为本发明的流程示意图。

具体实施方式