[發(fā)明專利]一種面向低秩圖像特征分析的類別標(biāo)簽恢復(fù)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010085541.4
• 申請(qǐng)日: 2020-02-10
• 公開（公告）號(hào): CN111275125A
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計(jì)）人: 時(shí)庭庭;劉浩;應(yīng)曉清;王凱巡;沈港;黃震;廖榮生;魏國林;魏冬;周健;田偉
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

1.一種面向低秩圖像特征分析的類別標(biāo)簽恢復(fù)方法，其特征在于，包括以下步驟：

步驟1：待處理的原始樣本集A中含有n幅樣本圖像，共有C個(gè)類別，第c類中有N_c個(gè)樣本，c∈{1，2，...，C}；每幅圖像的尺寸均為S×S像素，將這S×S維的圖像矩陣?yán)梢粋€(gè)S²維的向量，n幅圖像組成一個(gè)S²×n維的一個(gè)矩陣X＝[x₁，x₂，...，x_n]，每幅圖像對(duì)應(yīng)的類別標(biāo)簽y₁，...，y_n∈{1，2，...，C}，原始標(biāo)簽矩陣Y＝[y₁，y₂，...，y_n]；對(duì)原始標(biāo)簽矩陣進(jìn)行隨機(jī)丟失操作；產(chǎn)生u個(gè)無重復(fù)的隨機(jī)數(shù)，并在原始標(biāo)簽矩陣Y＝[y₁，y₂，...，y_n]中將u個(gè)隨機(jī)數(shù)對(duì)應(yīng)序號(hào)處的標(biāo)簽值丟棄，進(jìn)而將原始樣本集A劃分為有標(biāo)簽樣本和無標(biāo)簽樣本；設(shè)丟失的標(biāo)簽數(shù)為u，保留的標(biāo)簽數(shù)為l，則l+u＝n；

步驟2：通過標(biāo)簽傳播算法預(yù)測出丟失的類別標(biāo)簽；(x₁^*，y₁^*)，...，(x_l^*，y_l^*)是有標(biāo)簽樣本，Y_L＝{y₁^*，...，y_l^*}是可觀測的類別標(biāo)簽，(x^*_l+1，y^*_l+1)，...，(x^*_l+u，y^*_l+u)是無標(biāo)簽樣本，Y_U＝{y^*_l+1，...，y^*_l+u}是不可觀測的類別標(biāo)簽；將每幅樣本圖像看作是一個(gè)節(jié)點(diǎn)，計(jì)算出各個(gè)節(jié)點(diǎn)間的權(quán)重w_ij，根據(jù)權(quán)重w_ij計(jì)算出節(jié)點(diǎn)i到節(jié)點(diǎn)j的傳播概率T_ij；構(gòu)建一個(gè)(l+u)×C維的標(biāo)簽概率矩陣F，其中的元素f_ic表示節(jié)點(diǎn)i的標(biāo)簽為c的概率；每個(gè)節(jié)點(diǎn)累計(jì)它周圍節(jié)點(diǎn)的傳播概率，然后更新該節(jié)點(diǎn)的概率分布；把有標(biāo)簽樣本的概率分布重新賦值為初始值，迭代地執(zhí)行標(biāo)簽傳播過程并重置標(biāo)記概率矩陣，直至F收斂；經(jīng)過上述操作之后，無標(biāo)簽樣本的標(biāo)簽信息全部恢復(fù)完畢，獲得完整的恢復(fù)標(biāo)簽矩陣Y′＝[y′₁，y′₂，...，y′_n]；

步驟3：計(jì)算樣本矩陣X中每一維度的平均值，每維特征減去各自維度的平均值，進(jìn)行去中心化操作；計(jì)算協(xié)方差矩陣用特征值分解方法求協(xié)方差矩陣的特征值與特征向量；將特征值從大到小排序，選出前k個(gè)特征值對(duì)應(yīng)的特征向量分別作為行向量，組成特征向量矩陣P；將樣本圖像變換到k維特征向量構(gòu)建的特征空間V＝PX；

步驟4：經(jīng)過PCA可靠降維后的特征空間V＝[v₁，v₂，...，v_n]，特征向量的維度為k，k＜S²，共有C類，第c類中有N_c個(gè)樣本，m_i為類均值向量，m為總均值向量，類內(nèi)散度矩陣類間散度矩陣最優(yōu)投影方向矩陣應(yīng)滿足如下準(zhǔn)則：矩陣S_w非奇異，通過求解拉格朗日函數(shù)可得特征方程：S_bw＝λS_ww，計(jì)算S_w^-1S_b的特征值和特征向量，選取最大的d個(gè)特征值所對(duì)應(yīng)的特征向量構(gòu)成投影矩陣Q＝[q₁，q₂，...，q_d]，V再一次變換到新特征空間Z中：Z＝Q^TV；

步驟5：獲得訓(xùn)練集投影后的低秩表示、測試集投影后的低秩表示及訓(xùn)練集的標(biāo)簽，輸入到最近鄰分類模型中，計(jì)算出識(shí)別率。