[發明專利]一種基于深度分解字典學習的精細圖像分類方法

在審

• 申請號: 202011339417.2
• 申請日: 2020-11-25
• 公開（公告）號: CN112241768A
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 李爭名
• 申請（專利權）人: 廣東技術師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣東有知貓知識產權代理有限公司 44681
• 代理人: 吳國文

1.一種基于深度分解字典學習的精細圖像分類方法，其特征在于，主要包括以下步驟：

第一步，構造輸出層字典學習和分類器學習模型；

第二步，采取梯度下降法對輸出層的目標函數進行求解，以獲得輸出層的分解字典和分類器模型；

第三步，利用分類器模型和輸出層分解字典里的分解原子，計算測試樣本的類標矢量以獲得分解系數，并結合分類器模型獲得測試精細圖像的類標矢量；

第四步，在類標矢量中，選擇最大元素對應的索引即為測試精細圖像對應的類標，從而完成測試精細圖像的分類。

2.根據權利要求1所述的一種基于深度分解字典學習的精細圖像分類方法，其特征在于，所述第一步構造輸出層字典學習和分類器學習模型主要包括以下步驟：

首先，輸入精細圖像，輸入的過程中把其所有的像素值作為一個輸入列矢量，以把精細圖像的二維數據轉換為一維的特征矢量；

其次，利用特定類的K-SVD算法和精細圖像樣本為每類精細圖像學習的一個特定類的合成字典，并把它們的轉置矩陣作為特定類分解字典的初始矩陣；

然后，利用原子和profiles的Fisher判別準則構造第一層的Fisher嵌入判別對模型，并結合分解字典的基本模型設計深度分解字典學習算法的第一層目標函數；

第四，利用第n-1層學習的分解系數作為第n層的輸入數據，并利用第n層學習的分解字典和profiles構造第n層的Fisher嵌入判別對模型，然后結合分解字典學習模型構造第n層的目標函數；

第五，利用第n層學習的分解系數作為輸出層的輸入數據，然后利用輸出層的分解字典和profiles構造Fisher嵌入判別對模型，在此基礎上利用第n層分解系數的類標信息和輸出層的分解原子構造分類器學習模型，再結合分解字典學習模型構造輸出層的目標函數，從而在輸出層學習出分類器學習模型。