[发明专利]基于特征权重学习与核稀疏表示的图像分类方法

摘要

本发明公开一种基于特征权重学习与核稀疏表示的图像分类方法。主要解决现有技术缺少特征层判别能力的问题。实现步骤为：将训练样本与测试样本映射到核空间；在核空间中构造结构化的字典，用该字典对训练样本和测试样本进行稀疏表示；通过Fisher判别准则，利用训练集的稀疏系数求解每类子字典的权重及对应重构误差的权重；根据字典权重和重构误差权重计算测试样本的重构误差；从各类子字典对测试样本的重构误差中选择最小值，将其对应子字典的类作为测试样本的分类结果。本发明可增强字典及重构误差在特征层的类判别能力，提高基于图像重构的分类器的性能，可用于人脸识别，图像分类，图像标记，图像检索和图像分割。

主权项

一种基于特征权重学习与核稀疏表示的图像分类方法，包括：(1)训练步骤1a)输入训练集X'＝{X′1,X′2,...,X'C}，其中X′p表示训练集中的第p类样本的集合，用非线性核映射将训练集X'中的样本映射到核空间，并用主成分分析PCA算法将其降维到核子空间中，得到核子空间中的训练集X＝{X1,X2,...,XC}，其中Xp表示训练集中的第p类样本的集合p＝1,2，...,C，C表示训练集中的样本类别数；1b)在核子空间中，利用训练集X构造结构化字典D＝(D1,D2，...,DC)，其中Dp,p＝1,2，...,C表示结构化字典中与训练子集Xp对应的子字典；1c)求解训练子集Xp在字典D上的稀疏系数A，p＝1,2，...,C；1d)基于训练子集Xq、字典D、训练子集的稀疏系数A，利用非支配排序遗传算法NSGA‑2从如下优化公式中，求得第p类子字典Dp的权重βp，p＝1,2，...,C，q＝1,2，...,C， min β 1 , β 2 , . . . , β C Σ q = 1 C Σ q = p , p = 1 C | | X q - β p D p A p | | 2,1 max β 1 , β 2 , . . . , β C Σ q = 1 C Σ q ≠ p , p = 1 C | | X q - β p D p A p | | 2,1 , 该式在字典的特征层加入权重影响因子βp，利用Fisher判别准则在最小化类内重构误差的同时最大化类间重构误差构造函数，通过优化该式求得第p类子字典的权重βp，p＝1,2,...,C，式中，||·||2,1表示先按列计算矩阵2范数再计算行向量的1范数，Ap是稀疏系数A中对应第p个子字典的系数子集；1e)基于训练子集Xq、字典D、训练子集的稀疏系数A，利用非支配排序遗传算法NSGA‑2从如下优化公式中，求得第p类子字典Dp对应重构误差的权重ωp，p＝1,2,...C，q＝1,2,...,C， min ω 1 , ω 2 , . . . , ω C Σ p = 1 C Σ q = p , q = 1 C | | ω p | X q - D p A p | | | 2,1 max ω 1 , ω 2 , . . . , ω C Σ p = 1 C Σ q ≠ p , q = 1 C | | ω p | X q - D p A p | | | 2,1 , 该式在重构误差的特征层加入权重影响因子ωp，利用Fisher判别准则在最小化类内重构误差的同时最大化类间重构误差构造函数，通过优化该式求得第p类子字典对应的重构误差的权重ωp，p＝1,2，...,C，式中，||·||2，1表示先按列计算2范数再计算行向量的1范数，Ap是稀疏系数A中对应第p类子字典的系数子集，ωp是对由第p类子字典对应的重构误差的权重；(2)测试步骤2a)用非线性核映射将测试样本y′映射到核空间中，并用主成分分析PCA算法将核空间中的测试样本y″映射到训练样本所在的核子空间中，得到核子空间中的测试样本y；2b)求解测试样本y在字典D上的稀疏系数α，其中α＝(α1,α2,...,αC)，αp是测试样本y在子字典Dp上的稀疏系数，p＝1,2，...,C；2c)根据训练步骤1d)得到的子字典的权重βp和训练步骤1e)得到的重构误差的权重ωp，计算测试样本y在第p类子字典上的重构误差rp(y)，p＝1,2，...,C，rp(y)＝||ωp|y‑βpDpαp|||2，式中，||·||2表示计算矩阵的2范数；2d)比较各类子字典Dp对测试样本y的重构误差rp(y)，从中选择最小值，将其对应子字典Dp的类p作为测试样本y的分类结果，p＝1,2，...,C。