[发明专利]一种基于高约束高分散主成分分析网络的图像分类方法

摘要

本发明公开了一种基于高约束高分散主成分分析网络的图像分类方法，包括如下步骤：卷积及非线性变化步骤：在卷积层中，获取用于每个阶段特征提取的多个卷积核；在非线性变换层中，利用卷积核对于输入图像进行非线性变换，得到特征图；特征池化步骤：在特征池化层中，引入多尺度特征分析公式，推导出满足高分散性分布公式及其尺度缩放因子σ最优的取值后，输出特征；整合步骤：将特征展开为向量，并利用向量组成特征矩阵；图像分类步骤：特征输入线性支持向量机中以完成图像分类任务。本发明简单高效，具有自适应和扩展性，只需要输入网络的结构参数即可。

主权项

1.一种基于高约束高分散主成分分析网络的图像分类方法，其特征在于，输入图像经过至少一组卷积层和非线性变换层，以及一个特征池化层，包括如下步骤：/n(1)卷积及非线性变化步骤：在所述卷积层中，采用PCA方式从训练集中学习用于每个阶段特征提取的多个卷积核；在所述非线性变换层中，利用所述卷积核对输入图像进行非线性变换，经过至少一次卷积层和所述非线性变换层的变换后得到特征图：所述非线性变换层经过如下子步骤后得到特征图：/n第一变换步骤：以所述输入图像作为输入，利用V₁个卷积核对所述输入图像进行卷积，得到V₁张第一特征图将所述第一特征图利用软绝对值函数做非线性的变换，得到V₁张第一非线性变换图/n第二变换步骤：以所述第一非线性变换图作为输入，对所述第一非线性变换图分别利用V₂个卷积核进行卷积，得到V₁组第二特征图其中每组第二特征图中包含V₂张第二特征图，将V₁×V₂张所述第二特征图进行非线性变换，得到V₁×V₂张特征图/n(2)特征池化步骤，包括如下子步骤：/n归一化步骤：将所述特征图中每个位置上的值映射到0或1，并对V₁组中的每张第二特征图赋予不同的权重，并求得每组第二特征图的归一化的直方图其中归一化的直方图中的每个像素的范围是[0，255]之间的整数，在后续的处理中每个整数被视为单独的词；/n多尺度特征分析步骤：构建在不同尺度0，1，…，L下的一系列网格，总共构建有个小块；统计在尺度l下每个小块中[0，255]每个整数出现的次数；将串联起来组成特征图，所述特征图如下式(9)所示：/n /n式(9)中，表示第j张归一化特征图在尺度l下第w块网格中[0，255]每个整数出现的次数；/n高约束高分散步骤：推导出满足如下式(1)所示的高分散性分布及其尺度缩放因子σ最优的取值后，输出特征；/n /n式(1)中，F_j(x，y)和F_j(p，q)分别表示第j张特征图在(x，y)和(p，q)处的激活度；r和c表示的是第j张特征图的长和宽；σ是尺度缩放因子；表示第j张特征图的高分散性特征图；将高分散性特征图和改进的局部响应归一化约束层公式结合，形成了在高约束高分散主成分分析网络下学习到的特征；改进的局部响应归一化约束层公式如下式(6)所示：/n /n式(6)中，n表示在拓扑结构中与第j张特征图相邻的并处于和点(x，y)相同位置的特征图个数；常数项γ，α和β的值是通过交叉验证集决定的；/n所述尺度缩放因子/n利用推导出的满足高分散性分布的公式和改进的局部响应归一化约束层公式对特征图进行进一步的处理；/n(3)整合步骤：将所述特征图展开为特征向量，并利用特征向量组成特征矩阵；/n(4)图像分类步骤：将所述特征矩阵输入线性支持向量机中以完成图像分类任务。/n