[发明专利]一种图像的特征提取与分类联合方法及系统

摘要

发明公开了一种图像特征提取与分类联合方法及其系统，首先根据训练样本间的相似性，构造近邻图，并计算重构系数矩阵。进而引入基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可获取样本低维流形特征的线性投影矩阵；再利用所述训练样本低维特征,最小化L2,1‑范数正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2,1‑范数正则化的联合问题，有效提高了提取特征的描述性与分类准确率。

主权项

1.一种图像特征提取与分类联合方法，其特征在于，包括：/n获取训练样本的近邻样本，构造近邻图，并计算所述训练样本的重构系数矩阵，其中，所述训练样本为图像数据，所述图像数据X的表达式如下：/nX＝[x₁,x₂,...,x_N]∈i^n×N；/n式中，n是图像样本的维度，N为样本的数量，x₁,x₂,...,x_N为样本数据，i为顶点；/n根据所述重构系数矩阵，基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练样本进行低维流形特征学习，得到一个能提取低维流行特征的线性投影矩阵，包括：基于凸优化问题：/n /n输出所述线性投影矩阵；/n其中，α为权衡参数，S为得到的重构权重系数矩阵，|| ||_*表示矩阵的核范数，|| ||_F为矩阵Frobenius范数，Y^T-SY^T为近邻重构错误，PX-Y为特征近似错误，P为线性投影矩阵，Y为低维流行特征；/n基于所述线性投影矩阵提取的低维流行特征对分类器进行更新，通过最小化L2,1-范数正则化的分类错误，完成分类器学习；/n利用所述线性投影矩阵提取测试样本的低维流行特征，利用学习后的分类器对测试样本分类。/n