[發明專利]一種圖像分類方法有效

申請號：	201910934378.1	申請日：	2019-09-29
公開（公告）號：	CN110852345B	公開（公告）日：	2023-06-09
發明（設計）人：	胡瑞瑞;潘喆瓊;龍正雄;崔航凱;俞巧楠;賀陽;毛倩倩;楊建立;趙婉芳;嚴曉昇;孔旭鋒	申請（專利權）人：	國網浙江省電力有限公司寧波供電公司
主分類號：	G06V10/764	分類號：	G06V10/764;G06V10/77;G06V10/774;G06V10/80;G06V40/16;G06N3/126
代理公司：	杭州華鼎知識產權代理事務所(普通合伙) 33217	代理人：	歐陽俊
地址：	315000 浙江***	國省代碼：	浙江;33
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種圖像分類方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種圖像分類方法，其特征在于，包括以下步驟：

S1：將高維矩陣數據進行均勻模塊劃分并組成三階張量數據；

S2：取所選模塊的稀疏重構權值均值作為整個二維數據的稀疏重構權值；

S3：分別抽取無監督的稀疏重構特征信息和監督的成對約束特征信息；

S4：通過線性方式進行兩種特征信息融合并通過遺傳算法進行線性加權參數的自適應設置；

S5：計算各個模塊的稀疏重構權值并得到相應的稀疏重構誤差，挑選稀疏重構誤差小于平均稀疏重構誤差的若干模塊并計算稀疏重構權值的平均值；

S6：將所得平均值作為整個數據集的稀疏重構權值并應用于所得三階張量數據上的張量稀疏保持投影矩陣的求解；

S7：利用支持向量機完成測試樣本的分類。

2.根據權利要求1所述的一種圖像分類方法，其特征在于，所述所選模塊為稀疏重構誤差低于所有模塊稀疏重構誤差均值的模塊。

3.根據權利要求1所述的一種圖像分類方法，其特征在于，所述無監督的稀疏重構特征信息的計算包括：

其中，X＝{x₁,x₂,x₃,...,x_n}表示訓練樣本數據，x_i表示第i個樣本集，I表示單位矩陣，S＝{s₁,s₂...,s_n}表示X的模塊的稀疏重構權值均值矩陣，s_i表示x_i樣本的模塊的稀疏重構權值均值矩陣。

4.根據權利要求1所述的一種圖像分類方法，其特征在于，所述監督的成對約束特征信息的計算包括：

其中，X＝{x₁,x₂,x₃,...,x_n}表示訓練樣本數據，x_i表示第i個樣本集，x_j表示第j個樣本集，ML＝{(x_i,x_j)|x_i和x_j屬于同一類}表示正約束集合，CL＝{(x_i,x_j)|x_i和x_j不屬于同一類}表示負約束集合，I表示單位矩陣，T＝{t₁,t₂...,t_n}表示X的約束投影矩陣，t_i表示x_i樣本集的約束投影。

5.根據權利要求1所述的一種圖像分類方法，其特征在于，所述通過線性方式進行兩種特征信息融合的計算包括：

其中，

S_α＝S+S^T-S^TS，

βXX^T+(1-β)I＝1，

其中，X＝{x₁,x₂,x₃,...,x_n}表示訓練樣本數據，ML＝{(x_i,x_j)|x_i和x_j屬于同一類}表示正約束集合，CL＝{(x_i,x_j)|x_i和x_j不屬于同一類}表示負約束集合，I表示單位矩陣，T＝{t₁,t₂...,t_n}表示X的約束投影矩陣，t_i表示xi樣本集的約束投影，S＝{s₁,s₂...,s_n}表示X的模塊的稀疏重構權值均值矩陣，β表示線性加權參數。