[發明專利]基于PCANet的圖像分類方法和裝置

在審

• 申請號: 202110064743.5
• 申請日: 2021-01-18
• 公開（公告）號: CN112766367A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 王瑜;賈洪飛
• 申請（專利權）人: 北京工商大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 韓海花

1.一種基于PCANet的圖像分類方法，其特征在于，包括：

獲取圖像數據；

對所述圖像數據進行數據大小和格式的處理，并對處理后的所述圖像數據進行預處理，將預處理后的圖像數據分為訓練圖像集和測試圖像集；

根據PCANet模型和所述訓練圖像集進行模型訓練，以生成PCANet特征提取模型；

將所述測試圖像集中的圖像輸入至經過訓練的PCANet特征提取模型以提取特征，并將提取出的特征輸入至SVM分類器進行分類。

2.根據權利要求1所述的基于PCANet的圖像分類方法，其特征在于，所述PCANet模型包括：

第一步：利用所有N幅原始訓練圖像和主成分分析PCA方法生成L1個濾波器，并利用PCA濾波器與所述原始訓練圖像分別進行卷積，則所述原始訓練圖像中的每一幅圖像生成L1幅圖像，即共生成N*L1幅圖像；

第二步：再次利用PCA方法和所述第一步生成的所有N*L1幅圖像生成新的L2個濾波器，并利用新生成的濾波器對所述第一步生成的每一幅圖像分別進行卷積，即所述第一步生成的所有圖像中的每一幅圖像生成L2幅圖像，即共生成N*L1*L2幅圖像；

第三步：所述第一步生成的所有的圖像中，對其中每一幅圖像生成的L2幅圖像進行二進制哈希，將L2幅圖像合并成一副圖像，即共合成N*L1幅圖像；

第四步：對哈希處理后的所有N*L1幅圖像進行取塊處理，每幅圖像取β個塊，每個塊像素大小為k5*k6，并統計每個塊的直方圖，將每一幅原始圖像對應的所有塊統計的直方圖進行串聯，得到一個一維的特征向量，用所得到的特征向量代表所述原始訓練圖像，即最后生成N個特征向量。

3.根據權利要求2所述的基于PCANet的圖像分類方法，其特征在于，所述第一步具體包括：

步驟1)對所述N幅原始圖像訓練集中第j幅原始訓練圖像進行處理，以每一個像素點為中心，取k1*k2像素大小的圖像塊，將取出塊的像素點重新進行排序，變成一列n維的列向量，并進行標準化處理，使其均值為0，標準差為1，標準化后的向量如下式表示：

其中，表示所述第j幅原始訓練圖像中的第i塊的列向量，表示第i塊列向量中均值為0，標準差為1的像素點；

步驟2)按順序將取出的塊列向量排列成新的矩陣如下式表示：

其中，表示同一幅圖像中不同塊的列向量；

步驟3)將所述所有N幅原始訓練圖像進行所述步驟1)和步驟2)處理，處理好的N幅原始訓練圖像按順序排列成新的矩陣X，得到如下矩陣：

其中，分別表示不同圖像按照式(2)處理后得到的矩陣。

4.根據權利要求3所述的基于PCANet的圖像分類方法，其特征在于，在得到所述矩陣X之后，所述方法還包括：

對所述矩陣X利用所述PCA方法進行降維處理，PCA在一組標準正交濾波器中最小化重構誤差為：

其中，I_L1為單位矩陣，其中，式(4)的解V為XX^T的特征向量；所述PCA濾波器的表達式為如式(5)所示：

其中，mat是將向量映射到矩陣的函數；q_l(XX^T)表示XX^T的第l個特征向量，為所述第一步生成的第l個濾波器。

5.根據權利要求4所述的基于PCANet的圖像分類方法，其特征在于，通過如下式(6)對所述PCA濾波器與所述原始訓練圖像中第j幅原始訓練圖像Γ_j進行卷積：

其中，*表示卷積，利用濾波器對所有N幅原始訓練圖像進行卷積，生成L1*N幅圖像；

其中，在獲得卷積后的圖像之后，通過如下公式(7)對所述卷積后的圖像進行最大池化層處理：

其中，符號“×”表示最大池化操作，P¹表示所述第一步的最大池化層，表示進行最大池化層處理后的圖像。