[發明專利]一種嵌入LBP特征的圖的半監督圖像分類方法及系統

有效

• 申請號: 202110067281.2
• 申請日: 2021-01-19
• 公開（公告）號: CN112801153B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 盧官明;宋統帥;盧峻禾
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06K9/62;G06V10/40;G06N3/04;G06N3/08;G06V10/774
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種嵌入LBP特征的圖的半監督圖像分類方法，其特征在于，該方法包括以下步驟：

(1)建立包含有標簽樣本和無標簽樣本的圖像庫；

(2)構建用于圖像分類的卷積神經網絡模型，并使用圖像庫中的有標簽樣本先訓練出初始模型；

(3)將有標簽樣本與無標簽樣本一起輸入初始模型，提取樣本的特征向量，根據特征向量來構建鄰接矩陣W_cnn；

(4)使用樣本圖像的LBP特征構建鄰接矩陣W_lbp；

(5)將W_cnn與W_lbp相加得到新的鄰接矩陣W，基于所述的鄰接矩陣W構建一個圖，圖的結點集為輸入的圖像樣本，圖的邊集為所述的鄰接矩陣W，通過標簽傳播得到輸入樣本中無標簽樣本的偽標簽；

(6)基于初始模型使用圖像庫中所有樣本及其標簽訓練出最終的模型，用于圖像分類；訓練過程中的損失函數由兩部分損失相加組成，第一部分為輸入訓練的樣本中有標簽樣本的交叉熵損失；第二部分為輸入訓練樣本中無標簽樣本的交叉熵損失，每個通過標簽傳播得到的標簽都具有不確定性，第i個圖像樣本的標簽的不確定性u_i＝1-H(z_i)/log(c)，其中z_i是標簽矩陣Z的第i行分量，c為類別總數，H(z_i)表示z_i的熵，在第二部分損失中，將計算出的損失值與u_i相乘，得到第二部分的最終損失值，損失函數為：

其中，L為交叉熵函數，y′_i為模型預測的第i個圖像樣本的標簽向量，n為樣本總數，l為有標簽樣本的數目，y_i為第i個圖像樣本的標簽向量。

2.根據權利要求1所述的一種嵌入LBP特征的圖的半監督圖像分類方法，其特征在于，所述步驟(2)中的卷積神經網絡模型采用VGG-19、Resnet-18或Densenet-121網絡模型。

3.根據權利要求1所述的一種嵌入LBP特征的圖的半監督圖像分類方法，其特征在于，所述步驟(3)中根據提取的樣本的特征向量構建大小為n×n鄰接矩陣W_cnn，其中n為訓練樣本總數，W_cnn中第i行第j列的元素為w_ij＝dist(v_i,v_j)，

其中，v_i為第i個樣本的特征向量，v_j為第j個樣本的特征向量，i,j∈[1,n]，(v_j)^T為v_j的轉置，||·||₂為L₂范數。

4.根據權利要求1所述的一種嵌入LBP特征的圖的半監督圖像分類方法，其特征在于，所述步驟(4)中使用樣本圖像的LBP特征來構建大小為n×n的鄰接矩陣W_lbp，其中n為訓練樣本總數，W_lbp中第i行第j列的元素w′_ij＝dist(v′_i,v′_j)，

其中，v′_i為第i個樣本的LBP特征向量，v′_j為第j個樣本的LBP特征向量，i,j∈[1,n]，(v′_j)^T為v′_j的轉置，||·||₂為L₂范數。