[发明专利]基于全局和局部结构融合的图像特征提取方法

摘要

基于全局和局部结构融合的图像特征提取方法，其特征在于，包括以下步骤：1)构造加权邻接图，2)确定相似矩阵、度矩阵和图的拉普拉斯矩阵，3)确定类内散布矩阵和类间散布矩阵，4)确定投影矩阵，5)识别。本发明的优点是提出了一种融合全局结构信息和局部结构信息的特征提取方法，该方法可以提取出融合全局特征和局部特征的复合特征，因而更具有鉴别力。而且该方法不但具有局部保留映射法特点，即能够保留数据的流形结构的特性；而且具有线性鉴别分析方法的特点，即能使类内数据聚集地更紧凑而拉大类间距离。将本发明应用在图像识别中，可以提高识别性能。

主权项

1.基于全局和局部结构融合的图像特征提取方法，其特征在于，分为下列步骤：步骤1、构造训练数据的加权邻接图步骤1.1、在现有的数据集的每一类数据中，选取任意个数n的数据点组成训练图像数据集，并在剩余的数据点中选取任意个数的数据点组成测试图像数据集，其中每一个数据点为一幅图像；步骤1.2、通过顶点以及每个顶点与其最近邻点之间边的权值构造加权邻接图；步骤1.2.1、加权邻接图的每个顶点对应于训练图像数据集中的一个数据点；步骤1.2.2、若顶点xj属于顶点xi的k-最近邻点，k为最近邻范围，即xj是xi 的k范围内的最近邻点，则在xi和xj之间建立一条边e＝ij，其权值通过下式求出：其中，若顶点xj属于顶点xi的k-最近邻点或顶点xi属于顶点xj的k-最近邻点，则w(i，j)为通过式(1)求出，其他情况下，w(i，j)＝式(2)；β为任一正实数；步骤2、根据步骤1得到的加权邻接图确定相似矩阵W、度矩阵D和加权邻接图的拉拉斯矩阵L步骤2.1、相似矩阵W中的每个元素的值为通过步骤1.2.2求得的w(i，j)，即Wij＝w(i，j)，其中i＝1，2，3，…，n、j＝1，2，3，…，n；步骤2.2、度矩阵D＝diag(d1，d2，L，dn)，其中，di为顶点xi的度，其值通过以下公式求出：$d_i=\underset{j=1}{\overset{n}{\Sigma }}w(i,j);$步骤2.3、加权邻接图的拉普拉斯矩阵L＝D-W，即步骤3、确定训练图像数据集的类内散布矩阵Sw和类间散布矩阵Sb 类内散布矩阵Sw和类间散布矩阵Sb分别通过以下公式求出：$S_w=\frac{1}{n}\underset{i=1}{\overset{c}{\Sigma }}\underset{x\in X_i}{\Sigma }(x-{\bar{X}}_i){(x-{\bar{X}}_i)}^T;$$S_b=\frac{1}{n}\underset{i=1}{\overset{c}{\Sigma }}{n}_i({\bar{X}}_i-\bar{X}){({\bar{X}}_i-\bar{X})}^T,$其中，数据集X包含n个训练图像数据点，有c个目标类别，则第i类目标的数据集为Xi(i＝1，2，L，c)，其数据点个数为ni，则X＝[X1，X2，Λ，Xc]；x是指n个数据点中属于第i类目标的各个数据点；${\bar{X}}_i=\frac{1}{n_i}\underset{x\in X_i}{\Sigma }x$为第i类目标的均值向量，$\bar{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i$为总体的均值向量，其中，i＝1，2，…，c；步骤4、确定投影矩阵A投影矩阵A通过通过以下公式求出：$A=\arg \underset{A}{\min }\left(\frac{(1-\rho )\mathrm{trace}\left(A^T{S}_{w}A\right)+\frac{\rho }{n}\mathrm{trace}\left(A^T{\mathrm{XLX}}^{T}A\right)}{\mathrm{trace}\left(A^T{S}_{b}A\right)}\right),$其中，ρ为调节因子，且0≤ρ≤1，若ρ＝0，上述公式表示全局特征，若ρ＝1，上述公式表示局部特征；n为训练图像数据集中数据点的总数；X为训练图像数据集以及测试图像数据集中所有的数据点构成的矩阵；步骤5、识别将训练图像和测试图像分别利用所述投影矩阵A映射到特征空间中，得到训练系数矩阵和测试系数矩阵，采用最小距离分类器，即可获得识别结果。