[發(fā)明專利]基于SRC與MFA相結(jié)合的圖像分類方法

有效

• 申請?zhí)枺?/td>: 201510230206.8
• 申請日: 2015-05-07
• 公開（公告）號: CN104794498B
• 公開（公告）日: 2018-08-03
• 發(fā)明（設(shè)計）人: 劉陽;高全學(xué);高新波;王勇;王前前
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;張問芬

1.基于SRC與MFA相結(jié)合的圖像分類方法，包括如下步驟：

(1)將所選圖像庫中的每一幅圖片轉(zhuǎn)化為向量進行存儲，并分別抽取圖像庫中每類圖像的一部分構(gòu)成訓(xùn)練樣本集:剩下的圖像構(gòu)成測試樣本集X'∈R^d×H，其中R表示實數(shù)域，d表示原始空間中樣本的維度，C表示訓(xùn)練樣本的類別數(shù),N_i表示第i類的訓(xùn)練樣本數(shù)，i∈1...,C，表示第i類的第j個訓(xùn)練樣本,j∈1...,N_i，表示所有訓(xùn)練樣本的總數(shù)，H表示所有測試樣本的總數(shù)；

(2)定義同類和不同類樣本矩陣：

令A(yù)_s表示與原始空間訓(xùn)練樣本同類的樣本矩陣，且A_s中不包含自身，即i∈1...,C,j∈1...,N_i；

令A(yù)_d表示與原始空間訓(xùn)練樣本不同類的樣本矩陣，即

(3)初始化投影矩陣P＝P₁∈R^d×m,P₁為MATLAB軟件隨機生成的d×m維矩陣，其中m為低維空間中訓(xùn)練樣本的維度，m＜＜d；設(shè)初始迭代次數(shù)k＝1，根據(jù)收斂效果要求，設(shè)定最大迭代步數(shù)t；

(4)將訓(xùn)練樣本集X中的每一個訓(xùn)練樣本投影到m維空間上，即表示m維空間中第i類的第j個訓(xùn)練樣本，T表示矩陣的轉(zhuǎn)置；

(5)獲得同類樣本的稀疏權(quán)重矩陣：其中為的同類系數(shù)向量，i∈1...,C,j∈1...,N_i；

(6)獲得不同類樣本的稀疏權(quán)重矩陣：其中為的不同類系數(shù)向量，i∈1...,C,j∈1...,N_i；

(7)由第(5)步中求得的同類樣本的稀疏權(quán)重矩陣S，構(gòu)建使同類樣本之間距離最近的目標函數(shù)：

J₁(P)＝arg minP^TXL_sX^TP

其中X為訓(xùn)練樣本集，P為投影矩陣，L_s＝D_s-S，D_s是對角矩陣，D_s的對角線元素是同類樣本的稀疏權(quán)重矩陣S對應(yīng)的行元素之和；

(8)由第(6)步中求得的不同類樣本的稀疏權(quán)重矩陣F，構(gòu)建使不同類樣本之間距離最遠的目標函數(shù)：

J₂(P)＝arg maxP^TXL_fX^TP

其中L_f＝D_f-S，D_f是對角陣，D_f對角線的元素是不同類樣本的稀疏權(quán)重矩陣F對應(yīng)的行元素之和；

(9)結(jié)合步驟(7)和步驟(8)的結(jié)果，得到使同類樣本之間距離最近，且不同類樣本之間距離最遠的目標函數(shù)：

其中tr為矩陣的跡運算；

(10)構(gòu)建求解步驟(9)中目標函數(shù)J(P)中投影矩陣P的廣義特征方程：

(XL_sX^T)^-1XL_fX^Tα_i＝λ_iα_i

其中，λ_i為矩陣(XL_sX^T)^-1XL_fX^T的特征值，α_i為λ_i對應(yīng)的特征向量；

(11)利用廣義特征方程依次求解(XL_sX^T)^-1XL_fX^T前q個最大特征對應(yīng)特征向量α_i，得到投影矩陣P＝[α₁...,α_i...,α_q],i＝1...,q，其中q＝3m/4；

(12)令當(dāng)前迭代次數(shù)k＝k+1，比較k與t的大小，當(dāng)k≤t時，返回步驟(4)，當(dāng)k＞t時，輸出最終的投影矩陣P'；

(13)利用最終的投影矩陣P'對測試樣本集X'進行投影，得到新的m維空間測試樣本P'^TX'；

(14)利用SRC稀疏表示分類器對新的m維空間測試樣本集P'^TX'進行分類識別。