[發明專利]一種基于鬼成像和線性判別分析的物體分類方法

有效

• 申請號: 201910401793.0
• 申請日: 2019-05-15
• 公開（公告）號: CN110163274B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 趙生妹;魏朝鵬;何儒勇;林澤群
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 陳棟智

本發明提出了一種基于鬼成像和線性判別分析的物體分類方法，先根據線性判別分析算法獲得基于MNIST手寫體數字數據集的適合于鬼成像的特征散斑，接著使用這些散斑對未知物體進行照射，然后使用沒有任何空間分辨率的桶探測器接收從未知數字物體反射或者透射的光場信號，最后將桶探測器接收的信號與MNIST手寫體數字數據集均值圖像在特征散斑照射下桶探測器的接收信號進行比較，完成未知物體的分類，本發明可以用較少的散斑個數我們就能以較高的準確率對未知物體進行分類，可用于圖像識別中。

技術領域

本發明涉及一種光學圖像物體分類方法，具體的說是一種基于鬼成像和線性判別分析的物體分類方法，屬于量子光學技術領域。

背景技術

關聯成像(Correlated Imaging)，又稱“鬼”成像(Ghost Imaging,GI)，是近些年來量子光學領域的前沿和熱點之一。關聯成像采用兩條光路，一支稱為信號光路，指散斑通過物體后的光用一個無空間分辨能力的桶探測器接收；另一支稱為參考光路，指散斑在傳輸一段距離后由具有空間分辨能力的探測器接收。最后對兩條光路的探測結果進行二階關聯可以在參考光路得到物體的恢復圖像。與傳統的成像方式不同的是關聯成像可以在不包含物體的光路上恢復出物體圖像，這一特性稱為非定域性。隨著關聯成像的發展，熱光“鬼”成像、計算“鬼”成像等新型“鬼”成像技術被不斷提出。與此同時，隨著“鬼”成像性能的提高，各種基于“鬼”成像的應用也得以實現。大量研究表明，“鬼”成像可廣泛應用在軍事、加密、激光雷達等領域。

對物體分類可以更清晰、有序地認識物體，對物體的分類有依據一定的標準。分類在實際應用的范圍非常廣泛，對一個物體不斷細化分類就能讓我們更加了解這個物體。對未知物體的分類能夠讓我們對該物體或者該場景有更完整的認識。

線性判別分析(Linear Discriminant Analysis,LDA)是一種經典的機器學習方法，可以將其應用于分類問題。LDA技術通過物體的信息和類別通過設計相應的投影矩陣使得投影后的結果能很好的應用于物體分類任務。

K最近鄰分類算法是分類技術中最簡單的方法之一。K最近鄰分類算法的核心思想是如果一個樣本在特征空間中的K個最相鄰的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。K最近鄰分類算法先計算待分類樣本與已知類別的訓練樣本之間的距離，找到距離與待分類樣本數據最近的K個鄰居；再根據這些鄰居所屬的類別來判斷待分類樣本數據的類別；特別的，當K取值為1時，K近鄰算法又稱為最近鄰算法。

發明內容

本發明的目的是提供一種基于鬼成像和線性判別分析的物體分類方法，在無需得知未知物體圖片即可對圖片進行分類。

本發明的目的是這樣實現的：一種基于鬼成像和線性判別分析的物體分類方法，包括以下步驟：

步驟一：加載MNIST手寫數據集中的手寫體數字圖片及其對應的標簽，并將其分為訓練集和測試集，其中訓練集中包含60000張數字圖片，測試集中包含10000張數字圖片；

步驟二：根據訓練集數據，求得各類樣本的均值計算各個數字類別的協方差矩陣之和，稱為類內散度矩陣S_w；將各個數字類別的樣本均值的差乘以差的轉置，所得的結果稱為類間散度矩陣S_b，提取出S_w^-1·S_b的前K個特征值和特征向量(S_w^-1為類內散度矩陣的逆)，這個特征向量即是利用線性判別分析算法設計出的適用于鬼成像中手寫體數字圖片分類的特征散斑；

步驟三：將特征散斑載入數字微鏡設備(Digital micromirror device,DMD)，將激光照射到DMD上并使用DMD產生的散斑對未知數字圖像進行照射，然后使用沒有任何空間分辨率的桶探測器接收未知數字物體反射(透射)后的光；