[发明专利]一种基于众智集成学习的图像分类方法

摘要

本发明涉及一种基于众智集成学习的图像分类方法，本发明采用的技术方案为一种基于集成学习的方法来提高图像分类的准确性的方法。改变了传统的svm训练方式，将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。针对从某医院内分泌科的系统数据库收集的面部数据集，对于面部图像检测任务的正确分类率，综合分类器的最佳性能为88.1％。证明了该集成学习方法可以实现面部图像的分类，在其他场景图像数据集中，本方法也得到了很好的效果。

主权项

1.一种基于众智集成学习的图像分类方法，其特征在于包括：(1)图像预处理：获取带有标注的图像数据集，该步骤首先对图像进行重命名，然后通过目标检测对原始图像进行归一化，包括尺寸归一化、增强光照操作，并将其转换为灰度图像；(2)特征选择：通过对每幅灰度图像进行主成分分析PCA和核PCA，提取出保留95％以上信息量的特征；(3)基础学习模型构建：采用了一种基础学习模型，即使用支持向量机来构建基础分类器，并使用不同的核函数：高斯核函数、拉普拉斯核函数、多项式核函数Polynomial和PolyPlus；通过对核函数的调参，增加模型的多样性；(4)多个基本学习模型的集合：使用随机森林和和svm的结合，对数据集进行随机抽取样本和特征；对于随机训练集，使用30个基础学习模型，即支持向量机来构建基础分类器；第一、基础分类器：获取带有标注的图像数据集，使用K折交叉验证方法来评估分类器的性能；所有的图像被等分成K个子集，每个子集包含其中的三分之一的图像；每次实验中，选择K‑1个子集作为训练集，剩余一个子集作为测试集，执行基本分类器；通过两种特征提取方法，即PCA、KPCA特征和基础分类器SVM的组合，一共建立五种独立的基础分类器，分别使用svm、pca、kpca、pca和svm、kpca和svm五种方法进行K折交叉验证评估分类性能；第二、多数投票：一共包含N个样本，其中实验组：a张，对照组：b张，然后将预处理后的每张灰度图像展开成M*M，此处预处理归一化后图像的尺寸为M维向量的形式；接下来，一共构建30个子训练集，每个子训练集的构建过程如下：(1)从N个训练集中，以1：5的比例随机选择j个正样本和k个负样本作为子训练样本，并将剩余数据集用作子测试样本；(2)主成分分析PCA和核主成分分析KPCA用于减少样本维度，并使用Wy+μ方法对其进行重构，仅选择那些通过保留95％以上的信息量的向量；由于归一化后的数据矩阵X＝[x1,x2,…,xN]，其中xi是长度为M的列向量；PCA通过计算X的协方差矩阵，然后对其进行对角化，寻找协方差矩阵的特征向量，取特征值大的方向上的向量；同理，KPCA利用核函数在原空间进行计算，求得核矩阵的特征值和特征向量，将特征值按升序排列，找出包含95％以上信息量的特征值对应的特征向量；在这个阶段，KPCA的核函数包括高斯，拉普拉斯算子和多项式核；设定随机参数f，从降维后的特征维度中，随机选择f维特征进行训练，f的取值取p，q最小值的三分之二以上；(3)然后从(2)中降维后的特征向量中随机选择不低于其70％的特征进行对比训练，最终确定影响分类结果的特征维数；(4)最后训练30个SVM模型，通过核函数的调参，选取每个模型的最优参数；对于每一个模型，进行四个核函数的训练，选取最大的准确率和f1‑score值对应的核函数及参数，构建核基础分类器；利用30个分类器的预测结果进行多数投票，得到最终的预测结果。