[发明专利]一种类一致邻域的连续谱投影图像识别方法

说明书

本发明涉及模式识别，机器学习技术领域，公开一种类一致邻域的连续谱投影图像识别方法，包括以下步骤：设定图像数据的初始类一致邻域；估计类一致邻域的信赖概率密度；基于类一致概率密度函数构造邻接矩阵；通过谱投影扩展类一致邻域；再次估计类一致邻域的概率密度并强化邻接矩阵；再次谱投影并聚类完成识别。相比于传统方法，本发明能够针对图像数据的特点，有效学习具有强同类连接和弱异类连接的邻接矩阵，实现具有明显优势的高精度聚类，且相比于其他的深度学习方法，提供了具有可解释性、计算快速简单、适用面广泛的双层简单网络结构，无需训练图像和优化计算即可实现数据重表示，能够在多种类型的图像上，实现简便，快速，精准的种类识别。

技术领域

本发明涉及模式识别，机器学习技术领域，特别涉及一种类一致邻域的连续谱投影图像识别方法。

背景技术

图像识别是机器学习领域的重要组成部分，其目的在于恢复图像背后的潜在类别结构。图像识别方法分为有监督和无监督两种类型。其中，无监督的图像识别能降低对图像进行标记人力和时间成本，同时适用于犯罪预防与侦破等无法对图像进行标记的场合。然而，在无监督图像识别中，由于没有先验知识给定，检索潜在图像类别结构是一个很大的挑战。在现实生活中，人们所需要处理的图像数据往往具有较高的维数，同时具有复杂的数据结构和属性，这大大增加了识别的难度。

现有的常用无监督图像识别方法多有缺陷。经典的K-均值算法和高斯混合模型需要每个类之间有明显的间隔，并且要求图像数据集近似线性可分。在科研和工程中，图像数据集往往是线性不可分的，因此直接使用K-均值算法和高斯混合模型难以取得满意的效果。后续发展的谱方法效果好于前面描述的经典方法，但通常难以学习出同时具备类内强连接和类间弱连接的邻接矩阵。因此，在具有噪音或者分布杂乱的高维图像数据集上，谱方法的效果提升非常有限。相对于以上算法，近年来热度较高的深度学习方法能取得较好的图像识别效果，但其问题依然存在。其一，深度学习框架需要针对图像数据的属性特别地设计网络的结构和超参数，这限制了深度框架的可扩展性。其二，深度学习需要训练大量的参数用于获得图像的良好表示，这一过程非常耗时。其三，深度学习是黑箱模型，其操作的可解释性较差。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种类一致邻域的连续谱投影图像识别方法，通过估算每个图像样本类一致邻域的信赖概率密度，并利用连续的谱投影，获得了具有强连通类内连接和弱类间连接的近似理想邻接矩阵，并得到了图像数据的高度可分特征表示，便于识别， 最后使用一种稳定快速的方法实现聚类，完成图像识别，其具体技术方案如下：

一种类一致邻域的连续谱投影图像识别方法，包括如下步骤：

步骤一，设置图像数据集中每个样本的初始类一致邻域；

步骤二，估计每个图像样本类一致邻域的信赖概率密度；

步骤三，基于每个图像样本的类一致邻域的信赖概率密度函数构造邻接矩阵A；

步骤四，按照规范切图的方式计算邻接矩阵A的谱投影Y，并通过Y扩展每个样本的类一致邻域；

步骤五，再次估计类一致邻域的信赖概率密度并强化邻接矩阵B；

步骤六，按照商连接的方式计算邻接矩阵B的谱投影U，并对U聚类，完成图像识别。