[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?zhí)枺?/td>: 202010085541.4
• 申請日: 2020-02-10
• 公開（公告）號: 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（專利權(quán)）人: 東華大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發(fā)明涉及一種面向圖像可靠分類的類別標(biāo)簽恢復(fù)方法，屬于機(jī)器視覺技術(shù)領(lǐng)域。本發(fā)明將標(biāo)簽傳播過程、PCA降維和LDA分類結(jié)合起來，公開了一種面向低秩圖像特征分析的類別標(biāo)簽恢復(fù)方法。所提方法通過引入標(biāo)簽傳播過程，獲得標(biāo)簽恢復(fù)后的數(shù)據(jù)集，隨后執(zhí)行PCA可靠降維，以降低可靠數(shù)據(jù)集的維度，同時(shí)保持可靠數(shù)據(jù)集中對方差貢獻(xiàn)最大的信息，最后提取LDA特征，得到鑒別分析的低秩特征。所提方法通過對含有缺失標(biāo)簽的數(shù)據(jù)集進(jìn)行預(yù)處理，還原缺失的類別標(biāo)簽，并通過可靠降維提取出最具判別性的特征，使得后續(xù)的最近鄰分類器更加精確可靠；提高了樣本標(biāo)簽數(shù)據(jù)的魯棒性，使得分類模型更加有效。

技術(shù)領(lǐng)域

本發(fā)明涉及一種面向低秩圖像特征分析的類別標(biāo)簽恢復(fù)方法，屬于機(jī)器視覺技術(shù)領(lǐng)域。

背景技術(shù)

線性鑒別分析(LDA)可以利用樣本圖像已知的類別標(biāo)簽，尋找最有助于圖像分類的投影子空間，屬于一種有監(jiān)督的機(jī)器學(xué)習(xí)方法。LDA從高維數(shù)據(jù)中提取出最具判別性的低秩特征，這些特征有助于將同一類別的所有樣本聚集在一起、不同類別的樣本盡量分開，即選取使樣本類間散度與樣本類內(nèi)散度比值最大的特征。圖像數(shù)據(jù)集的高效預(yù)處理是相當(dāng)困難的，一般采取的有效方法是盡量保持?jǐn)?shù)據(jù)集中所包含的主要信息，并對其維度進(jìn)行削減。典型地，主成分分析(PCA)能夠在最大限度地保留原始數(shù)據(jù)信息量的基礎(chǔ)上，對數(shù)據(jù)集進(jìn)行有效的降維分析。PCA降維可以快速地確定圖像數(shù)據(jù)集各個(gè)成分的權(quán)重，減少噪聲數(shù)據(jù)對LDA分類的負(fù)面影響。

標(biāo)簽信息在基于LDA的圖像分類中起著至關(guān)重要的作用，但是實(shí)際獲得的數(shù)據(jù)集往往存在標(biāo)簽缺失問題。如果忽視這個(gè)問題，那么訓(xùn)練出來的分類模型可能會(huì)出現(xiàn)各種問題，若舍去不含標(biāo)簽的樣本圖像，則會(huì)導(dǎo)致模型欠擬合或低識(shí)別率。因此，需要在分類前對數(shù)據(jù)集進(jìn)行預(yù)處理，確保盡可能多的樣本都有正確無誤的類別標(biāo)簽。

發(fā)明內(nèi)容

本發(fā)明的目的是為解決在圖像分類前對數(shù)據(jù)集進(jìn)行預(yù)處理，確保盡可能多的樣本都有正確無誤的類別標(biāo)簽的技術(shù)問題，提供一種對缺失標(biāo)簽的數(shù)據(jù)集進(jìn)行恢復(fù)的方法，以便魯棒地執(zhí)行基于LDA的圖像最近鄰分類。

為達(dá)到解決上述問題的目的，本發(fā)明所采取的技術(shù)方案是提供一種面向低秩圖像特征分析的類別標(biāo)簽恢復(fù)方法，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維的樣本矩陣X＝[x₁，x₂，...，x_n]，每幅圖像對應(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)對應(yīng)序號處的標(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。