[發(fā)明專利]一種基于有監(jiān)督超圖離散化圖像二值編碼方法

有效

• 申請?zhí)枺?/td>: 201810402753.3
• 申請日: 2018-04-28
• 公開（公告）號: CN109284411B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 王軒;張喜;漆舒漢;蔣琳;廖清;姚霖;李曄;關(guān)鍵;劉澤超;吳宇琳
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)深圳研究生院
• 主分類號: G06F16/53
• 分類號: G06F16/53;G06K9/62;G06V10/74;G06V10/764
• 代理公司: 深圳市科吉華烽知識產(chǎn)權(quán)事務(wù)所(普通合伙) 44248
• 代理人: 胡玉

1.一種基于有監(jiān)督超圖離散化圖像二值編碼方法，其特征在于，包括以下步驟：

S1.假設(shè)一個由n幅圖像組成訓(xùn)練集，將訓(xùn)練集所有樣本通過學(xué)習(xí)哈希函數(shù)映射到漢明空間的二值化哈希碼；

S2.定義一個線性多分類模型，采用優(yōu)化函數(shù)對離散化變量進(jìn)行優(yōu)化，得出第一目標(biāo)函數(shù)；

S3.采用超圖對數(shù)據(jù)哈希碼之間的距離度量一致性進(jìn)行約束，得出第二目標(biāo)函數(shù)；

S4.整合第一目標(biāo)函數(shù)和第二目標(biāo)函數(shù)，得到完整的目標(biāo)函數(shù)，采用“位循環(huán)坐標(biāo)下降方法”學(xué)習(xí)哈希碼矩陣，并通過迭代運(yùn)算優(yōu)化目標(biāo)函數(shù)；

所述步驟S1具體包括：

假設(shè)訓(xùn)練集{(x_i∈R^1×d),i＝1,2,...,n}由n幅圖像組成，其中x_i表示第i幅圖像的d維特征向量，用X＝[x₁,...,x_n]∈R^d×n表示訓(xùn)練集，{(b_i∈{-1,+1}^1×r),i＝1,2,...,n}是訓(xùn)練集所有樣本通過學(xué)習(xí)哈希函數(shù)映射到漢明空間的二值化哈希碼，每個樣本的哈希碼長度為r，r取值范圍為數(shù)十位到數(shù)百位之間，哈希碼碼位取值為-1或者+1，用B＝[b₁,...,b_n]∈{-1,+1}^r×n表示訓(xùn)練集對應(yīng)的哈希編碼結(jié)果；

學(xué)習(xí)得到一系列哈希函數(shù)：

H(x)＝{h₁(x),…,h_C(x)} (2-1)

將哈希函數(shù)值進(jìn)行量化成二值化的哈希碼，過程如下：

b_i＝sgn(H(x_i)),i＝1,...,n (2-2)

sgn(·)是符號函數(shù)；

哈希函數(shù)采用如下非線性形式：

H(x)＝P^TΦ(x) (2-3)

其中P＝[p₁,p₂,…,p_r]∈R^d×r是哈希函數(shù)的線性變換矩陣，Φ(x)是關(guān)于原始圖像的非線性映射函數(shù)：

Φ(x)＝[exp(||x-a₁||²/σ),exp(||x-a₂||²/σ),...,exp(||x-a_m||²/σ)]^T，

是一組從訓(xùn)練集中隨機(jī)選取的錨點(diǎn)，σ是一個常數(shù)；

所述步驟S2具體包括：

現(xiàn)定義一個線性多分類模型如下所示：

y＝F(b)＝W^Tb＝[w₁^Tb,....,w_r^Tb]^T (2-4)

其中{w_k∈R^r×1,k＝1,...,C}是數(shù)據(jù)樣本所屬類別k的參數(shù)向量，總共有C個類別，y∈R^r×1是各個類別的激活值，與標(biāo)簽對應(yīng)；根據(jù)W^Tb的最大值y_k對應(yīng)的類標(biāo)，將樣本數(shù)據(jù)點(diǎn)x分類到第k個類別；采用下面的優(yōu)化函數(shù)：

上式中是分類損失函數(shù)，表示訓(xùn)練集的分類誤差，度量學(xué)習(xí)到哈希碼的分類質(zhì)量；λ是正則化參數(shù)，Y＝[y₁,...,y_n]∈R^C×n是訓(xùn)練集的真實(shí)標(biāo)簽矩陣，滿足下面的約束條件；||·||是L2范數(shù)；α是哈希函數(shù)H(x_i)擬合哈希碼b_i錯誤率的懲罰參數(shù)；理論上，b_i與H(x_i)之間距離盡量小，所以參數(shù)α的值盡量大；

用矩陣表示進(jìn)行化簡：

所述步驟S3包括：

S31.超圖構(gòu)建：

構(gòu)建超圖表示為G＝(V,E,W)，V表示頂點(diǎn)集合，E表示超邊集合，W表示超邊對應(yīng)的權(quán)重集合，其中，訓(xùn)練集中的每一個數(shù)據(jù)點(diǎn)可以表示為一個頂點(diǎn)，而每個頂點(diǎn)與他的k-近鄰的數(shù)據(jù)點(diǎn)表示為一條超邊；

所述步驟S31具體為：

超圖G用|V|×|E|規(guī)模的關(guān)聯(lián)矩陣，|·|表示求基數(shù)操作，G中的頂點(diǎn)v_i與超邊e_j的關(guān)聯(lián)度可以表示為：

其中dist(x_i,x_j)表示頂點(diǎn)v_i與v_j之間的距離，dist(x_i,x_j)＝||x_i-x_j||₂，k_dist(v_j)表示頂點(diǎn)v_j與他的k-近鄰頂點(diǎn)集合；對于每條超邊的度δ(e_j)被定義為

相似度一致性通過超邊包含的頂點(diǎn)之間的特征的相似度來計算：

其中，a和b表示任意兩個頂點(diǎn)，σ_ej是規(guī)范化因子，采用該超邊所包含的頂點(diǎn)之間距離的平均值作為規(guī)范化因子：

所述步驟S3包括：

S32.構(gòu)建損失項如式：

其中A_ij＝∑_e∈E∑_(i,j)∈e(w(e)/δ(e))是超圖中兩個頂點(diǎn)之間的權(quán)重，其中L_hyper是超圖的歸一化拉普拉斯矩陣，根據(jù)L_hyperm＝I-M計算：其中D_v，D_e，D_w是圖像特征所構(gòu)建超圖對應(yīng)的頂點(diǎn)的度、超邊的度和超邊權(quán)重的對角矩陣，構(gòu)造如下：

所述步驟S4包括：

整合第一目標(biāo)函數(shù)和第二目標(biāo)函數(shù)，得到完整的目標(biāo)函數(shù)：