[发明专利]一种基于子空间联合稀疏低秩结构学习的图像分类方法

摘要

本发明涉及一种基于子空间联合稀疏低秩结构学习的图像分类方法，属于图像区分和识别技术领域。本发明的主要创新之处在于对同类数据对应的低秩表示系数添加行一致性稀疏约束，从而达到类内一致、类间稀疏的目的，增强聚类的性能。在本发明的基础上，还可通过添加不同的约束，使之适用于图像分割、高光谱波段选择等相关图像处理领域。

主权项

1.一种基于子空间联合稀疏低秩结构学习的图像分类方法，其特征在于该方法的步骤包括：(1)将图像库中的n类训练样本数据按列转换为样本矩阵X，X＝[X1，X2，…，Xi，…，Xn]，并对样本矩阵进行归一化处理；其中，X1为图像库中的第一类样本数据，X2为图像库中的第二类样本数据，…，Xi为图像库中的第i类样本数据，Xn为图像库中的第n类样本数据；(2)根据步骤(1)得到的归一化处理后的样本矩阵X，建立用于字典学习的目标函数为：其中，Z是样本矩阵X的低秩表示系数，即Z＝[Z₁，Z₂，…，Z_i，…，Z_n]，Z₁为图像库中的第一类样本数据的低秩表示系数，Z₂为图像库中的第二类样本数据的低秩表示系数，Z_i为图像库中的第i类样本数据的低秩表示系数；Z_n为图像库中的第n类样本数据的低秩表示系数；||·||_*表示矩阵的核范数，定义为矩阵的奇异值之和，E为噪声项，||·||₁表示矩阵的l₁范数，定义为矩阵中所有元素绝对值之和；矩阵A的l_1,2范数定义为其中A∈R^k×h，aⁱ是矩阵A的第i行元素向量，Z_i表示第i类样本X_i的低秩表示系数，V_Z即为矩阵Z所代表的所有n类样本的低秩表示系数集合，λ₁和λ₂为正则化参数；D为字典矩阵；(3)对步骤(2)得到的目标函数进行求解，得到Z、E和D的结果；(4)将步骤(3)输出的字典代入下式，求解出测试样本矩阵Xt对应的低秩表示系数Zt和噪声Et：(5)计算用于聚类的亲和矩阵Lt＝|Zt|+|ZtT|；(6)根据步骤(5)得到的亲和矩阵Lt，并利用NCuts方法得到图像的聚类结果。