[发明专利]一种图像表示分类方法及其电子设备

摘要

本发明公开了一种图像表示分类方法及其电子设备，涉及模式识别、机器学习系统技术领域，包括以下步骤：获取区图像训练样本X和图像测试样本y；计算局部几何结构的权值wi；计算加权的图像训练样本数据和图像测试样本数据计算βt；计算图像测试样本数据y相对于每一类的图像训练样本的重建误差ri(y)，比较所有ri(y)，则图像测试样本y属于ri(y)最大的那一类。本发明由于通过最大相关熵是一种局部度量方法，在CRC中引入最大相关熵后，使得算法更加鲁棒，从而提高算法的分类性能，同时在CRC算法中进一步的引入样本间的局部流形结构，使得在计算重建系数时能够考虑样本间的局部几何结构，也提高了算法的分类性能。

主权项

1.一种图像表示分类方法，其特征在于，包括以下步骤：S1：获取图像训练样本X和图像测试样本y；S2：设t＝1，p^t＝‑[1,1,...,1]∈R^d和β^t＝‑[1,1,...,1]∈Rⁿ，其中t为迭代的次数，t＝1表示第一次循环，p^t为初始值，β为待求的重建系数向量；S3：基于图像训练样本X和图像测试样本y，计算局部几何结构的权值w_i，把所有的w_i组成一个对角矩阵S4：基于图像训练样本X和图像测试样本y，计算加权的图像训练样本数据和图像测试样本数据S5：基于加权图像训练样本数据加权图像测试样本数据和权值w_i计算β^t；S6：定义数值ε，计算||β^t‑β^t‑1||，如果||β^t‑β^t‑1||<ε，则转向第S7步；否则，计算p_j为向量p的第j个分量，y_j为测试样本y的第j个分量，x_ji为训练样本x_j的第i个分量；g(·)为高斯函数，即也即为最大相关熵，σ为高斯核的宽度，t＝t+1，转向第S4步；S7：计算图像测试样本数据y相对于每一类的图像训练样本的重建误差r_i(y)，比较所有r_i(y)，则图像测试样本y属于r_i(y)最大的那一类。