[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

本發明涉及一種基于深度分解字典學習的精細圖像分類方法，其特征在于包括：一，構造輸出層字典學習和分類器學習模型；二，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；三，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；四，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。本發明針對精細圖像分類具有較低的類間差異，提高了精細圖像分類系統的性能。

技術領域

本發明屬于精細圖像分類領域，具體是涉及一種基于深度分解字典學習的精細圖像分類方法。

背景技術

現如今,圖像處理中目標分類與檢測越來越多的得到了人們的關注與研究。目標分類一般分為兩種,一種是基礎圖像分類,另一種是越來越受到人們關注的精細圖像分類?；A圖像分類是為了區分具有不同形狀以及視覺特征的物體。精細圖像分類則是要區分具有相似形狀以及外貌特征的物體。由于精細圖像分類具有較低的類間差異，由此提高精細圖像分類系統的性能，一直是本領域技術人員所要解決的問題。

發明內容

本發明針對現有技術的不足，提供了一種基于深度分解字典學習的精細圖像分類方法，以提高精細圖像分類的性能。

為了達到上述目的，本發明主要通過以下技術方案實現的。

一種基于深度分解字典學習的精細圖像分類方法，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，利用初始化的分解字典以及輸出層的目標函數，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。

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。目的是初始化一個帶有類標的分解字典，以更新每層的分解字典和分解系數。

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。目的是在深度分解字典學習模型中同時考慮分解原子和profiles的類間及類內特征，使其能夠更好地捕獲不同類的精細圖像之間的細微差異，從而提高分解字典的判別性能。

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。目的是把第n層中的分解系數作為輸入，提取不同類分解系數之間的非線性特征，分解原子能夠對精細圖像進行非線性分解。目的是把第n-1層的分解系數作為第n層的輸入，并把其具有的特征傳遞到第n層的分解字典和分解系數中，增強分解字典表示精細圖像的能力。

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。