[發明專利]基于FISHER多級字典學習的圖像分類方法

有效

• 申請號: 201810112205.7
• 申請日: 2018-02-05
• 公開（公告）號: CN108229505B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 朱松豪;雎學文;荊曉遠;冷婷
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V10/50
• 分類號: G06V10/50;G06V10/772;G06V10/774;G06V10/764;G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

本發明公開了一種基于FISHER多級字典學習的圖像分類方法，包括步驟：構建一個圖像分類系統，導入樣本圖像，利用超完備字典上的稀疏表示矩陣對每個樣本圖像進行初步的適當分類；將上述經過超完備字典分類的圖像基于FISHER多級字典進行不同層級上的學習，獲得每個類別圖像的具體信息和共同信息；使用FISHER判別準則的判別式對不同層級上字典的區分能力進行增強，形成最佳的圖像分類判別標準；本發明提供的基于FISHER多級字典學習的圖像分類方法可以更好地捕捉各種圖像相較于其他圖像最具有區別性的特征，以及各圖像自身具備的最獨特的特性，提升了分辨效率和準確率。

技術領域

本發明涉及圖像處理技術領域，涉及一種圖像分類方法，尤其涉及一種基于FISHER多級字典學習的圖像分類方法。

背景技術

疏編碼已經成為計算機視覺和模式識別領域的熱門話題，并且已經被廣泛應用于處理多種問題，如圖像超分辨率，圖像去噪，圖像檢索，圖像分類，對象檢測，以及事件檢測。稀疏編碼的核心思想是將每個圖像特征向量作為來自過度完整字典的幾個原子的線性組合進行編碼，稀疏編碼的各種應用表明了區分特征在處理不同問題中的重要性。

在過去的十年中，已經發展了很多技術來提高稀疏編碼和字典學習的性能，從而在圖像分類上產生了許多最新的成果；例如：SRC是一種基于數據自我表示的方法，可以有效地從圖像訓練集中學習每個測試圖像的L1稀疏表示。K‐SVD是一種基于廣義K均值聚類的方法，其目的是通過迭代地處理稀疏編碼和字典更新的問題，從訓練樣本中有效地學習一個過完全字典。DK‐SVD是一種基于判別性K‐SVD模型的方法，通過在目標函數中添加一個類別誤差項，從訓練樣本中捕獲過度完整的字典，使字典更具有判別性；LC‐SVD是一種基于標簽一致K‐SVD模型的方法，通過在目標函數中引入一個二進制矩陣，迫使相同類別樣本的稀疏表示更加相似，不同類別樣本的稀疏表示更加不相似；SIDL是一種基于類別唯一字典模型的方法，通過在目標函數中引入一個結構化的非相干正則化項，有助于獲得同類的樣本的更相似的稀疏表示；SCDL是一種基于監督字典學習模型的方法，其目的是通過學習類別唯一字典和表示殘差來提高分類準確性，以使表示系數更加區分；上述提到的圖像分別方法可以

發明內容

本發明的主要目的在于解決現有技術中存在的圖像分類精準度不夠高的問題，提供一種基于FISHER多級字典學習的圖像分類方法，具體技術方案如下：

一種基于FISHER多級字典學習的圖像分類方法，包括如下步驟：

構建一個圖像分類系統，導入樣本圖像，利用超完備字典上的稀疏表示矩陣對每個樣本圖像進行初步的適當分類；

將上述經過超完備字典分類的圖像基于FISHER多級字典進行不同層級上的學習，獲得每個類別圖像的具體信息和共同信息；

使用FISHER判別準則的判別式對不同層級上字典的區分能力進行增強，形成最佳的圖像分類判別標準。

本發明的進一步改進，還包括步驟，通過超完備字典上的稀疏編碼將樣本圖像引導到一個矩陣；其中，所述矩陣中每一類是矢量化訓練圖像樣本。

本發明的進一步改進，所述經過超完備字典分類的圖像在FISHER多級字典的不同層級上進行了類別唯一字典和類別共享字典的學習，用以學習同同一類別內每個圖像的細微差別特征和獨特判斷特征。

本發明的進一步改進，還包括步驟，首先，在所述FISHER字典的一個層級上將每個圖像樣本分成預設數量的圖像塊，通過所述圖像塊構建關聯所述類別唯一字典的第一稀疏表示矩陣和關聯所述類別共享字典的第二稀疏表示矩陣；

然后，通過所述FISHER字典的另一個層級將所述圖像塊逐行連接起來。

本發明的進一步改進，確定對應所述類別唯一字典的第一稀疏編碼系數矩陣和對應所述類別共享字典的第二稀疏編碼系數矩陣。