[發(fā)明專利]一種具備極大化知識利用能力的半監(jiān)督圖像分類方法

在審

• 申請?zhí)枺?/td>: 201710483627.0
• 申請日: 2017-06-22
• 公開（公告）號: CN107392230A
• 公開（公告）日: 2017-11-24
• 發(fā)明（設(shè)計）人: 錢鵬江;奚臣;蔣亦樟;鄧趙紅;王駿;王士同
• 申請（專利權(quán)）人: 江南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京科億知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11350
• 代理人: 湯東鳳

1.一種具備極大化知識利用能力的半監(jiān)督圖像分類方法，其特點是，按照如下定義和步驟實施：

定義1：數(shù)據(jù)集表示分類器訓練所需的l個有標簽的樣本和u個無標簽樣本，y_i∈{+1,-1}(i＝1,...,l)為這l個有標簽樣本的樣本標簽；

定義2：f(.)表示分類決策函數(shù)，H_K為再生核希爾伯特空間(Reproducing Kernel Hilbert Space,RKHS)，K為核函數(shù)，這里用的是徑向基核函數(shù)，計算方式為σ為核寬帶；

定義3：f＝[f₁,...,f_l,f_l+1,...,f_l+u]^T為數(shù)據(jù)集根據(jù)分類決策函數(shù)f(.)得到的預(yù)測值，f_i(i＝1,...,l+u)；

定義4：成對約束集MS和CS這里由提供的樣本標簽轉(zhuǎn)換過來的；

定義5：W_ij∈W(i,j＝1,...,u+l)為數(shù)據(jù)集X鄰接矩陣的邊權(quán)，L＝D-W是圖拉普拉斯矩陣，D是對角矩陣，

定義6：Q_ij∈Q(i,j＝1,...,u+l)表示了標記樣本間的成對約束關(guān)系，其矩陣元素Q_ij的計算如式(2)，Z＝H-Q類似于圖拉普拉斯矩陣形式，H是對角矩陣，H＝diag(Q·1_(l+u)×1)，其中，1_(l+u)×1為(l+u)×1的矩陣且矩陣元素全為1；

定義7：流行正則化(Manifold Regularization)形式：

||f||I2=1(u+l)2Σi,j=1l+u(f(xi)-f(xj))2Wij=1(u+l)2fTLf,---(3)]]>

定義8：成對約束正則化形式：

minf(Σ<i,j>∈MS(fi-fj)2|MS|-Σ<p,q>∈CS(fp-fq)2|CS|),---(4)]]>

式中，i,j,p,q為X中樣本序號，i,j,p,q∈[1,l+u]，<i,j>表示MS集合中任意一對，<p,q>表示CS集合中任意一對，|MS|和|CS|分別表示MS集合和CS集合的元素個數(shù)，相應(yīng)的式(4)可以重寫為：

minf(fTZf),---(5)]]> 1

定義9：矩陣P的具體形式為

步驟1：將所有原始圖像的尺寸統(tǒng)一為相同格式，并把每張圖像的所有像素點作為一個樣本的特征，這樣得到一個初步的圖像數(shù)據(jù)；

步驟2：對步驟一中的得到數(shù)據(jù)進行數(shù)據(jù)歸一化和特征降維(主成分分析方法)處理，得到相應(yīng)的圖像數(shù)據(jù)；

步驟3：生成具備極大化知識利用能力的半監(jiān)督分類模型，如式(6)所示：

minf∈Hk(1lΣi=1l(1-yif(xi))++γA||f||K2+fT(γIL+γDZ)f)---(6)]]>

上式中，

1lΣi=1l(1-yif(xi))+=1lΣi=1lξi---(6-1)]]>

||f||K2=αTKα---(6-2)]]>

其中，數(shù)據(jù)集表示分類器訓練所需的l個有標簽的樣本和u個無標簽樣本，樣本維數(shù)為d，y_i∈{+1,-1}(i＝1,...,l)為這l個有標簽樣本的樣本標簽，f(.)表示分類決策函數(shù)，H_K為再生核希爾伯特空間(Reproducing Kernel Hilbert Space,RKHS)，K為通過核函數(shù)K計算得到的核矩陣，f＝[f₁,...,f_l,f_l+1,...,f_l+u]^T為數(shù)據(jù)集根據(jù)分類決策函數(shù)f(.)得到的預(yù)測值，f_i(i＝1,...,l+u)，分類決策函數(shù)如式(7)，γ_A＞0,γ_I＞0,γ_D＞0為三個正則化系數(shù)，L和Z分別為圖拉普拉斯矩陣和成對約束矩陣；

f*(x)=Σi=1l+uαi*K(x,xi)+b*---(7)]]>

將式(6-1)-(6-2)代入到式(6)可以得到具體的具備極大化知識利用能力的半監(jiān)督分類方法模型：

minα∈Rl+u,ξi∈R(1lΣi=1lξi+γAαTKα+αTK(γIL+γDZ)Kα),s.t.yi(Σj=1l+uαjK(xi,xj)+b)≥1-ξi,i=1,...,l,ξi≥0,i=1,...,l.---(8)]]>

步驟4：利用通過步驟一獲得分類決策函數(shù)中所需的最終解和，構(gòu)成圖像分類所需的分類器，并把數(shù)據(jù)預(yù)處理過程中處理的預(yù)測圖像數(shù)據(jù)導(dǎo)入到分類器模型中，得到預(yù)測圖像的分類結(jié)果。