[發明專利]一種基于l2p范數魯棒最小二乘法的噪聲圖像分類方法

在審

• 申請號: 202110622713.1
• 申請日: 2021-06-04
• 公開（公告）號: CN113313179A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 王靖宇;謝方園;聶飛平;李學龍
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16;G06N20/00
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

本發明公開了一種基于l2p范數魯棒最小二乘法的噪聲圖像分類方法，首先采用對參數進行初始化，再采用交替優化法求解基于L_2,p范數的魯棒最小二乘法的目標函數，得到最終的分類模型，實現對噪聲圖像的分類。本發明方法通過對訓練集中的數據點添加權重的方式來自動去除樣本中的噪聲和離群點，無需手動進行誤差閾值的選取，僅需要提前估計噪聲點的數量，過程簡單，計算量小，在訓練分類器的同時去除噪聲圖像，而提高最小二乘法抑制噪聲的能力和圖像分類精度。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種噪聲圖像分類方法。

背景技術

隨著智能手機和信息技術的發展，數字圖像數據越來越多地出現在我們的生活中。然而，數字圖像的質量受到多種因素的影響，如數據采集、傳輸和處理過程中引入噪聲和環境干擾，導致圖像質量參差不齊，進而直接影響圖像數字處理中后續工作如分類和分割等任務的精度和效率。圖像中的噪聲一般分為高斯噪聲、泊松噪聲、斑點噪聲和椒鹽噪聲等，目前圖像去噪方法可大致分為傳統模型驅動去噪方法和基于深度學習的去噪方法，而現有的基于深度學習的方法都是通過深度神經網絡來提取圖像特征、改善去噪性能，但由于噪聲具有不確定性，而且一般面積較小，細節特征較少，深度網絡可能較難提取相關特征，網絡深度的增加也給網絡訓練造成困難。目前傳統方法包括基于偏微分方程的去噪方法、非局部均值去噪方法、基于小波變換的去噪方法等，但傳統方法需要根據噪聲的類型確定相應的去噪方法，噪聲類型的判斷往往需要較大計算量。

最小二乘法以誤差平方和最小為準則，根據觀測數據估計線性模型中的未知參數的一種基本參數估計方法，該方法可以避免正負誤差相抵，便于分析計算。同時，最小二乘法也是數據挖掘中一種常用數學統計方法，常用在數據回歸和圖像分類等任務上，以其簡單、物理意義明確及具有理論解也被廣泛應用到實際工程中。目前，其更廣泛地應用于圖像分類問題中。在圖像分類問題中，每張圖像的特征作為樣本點回歸數據，其對應的類別矩陣被作為回歸目標，類別矩陣為一個“0-1”矩陣。如某類數據有三類，第一、二、三類的類別矩陣分別為[1,0,0]^T,[0,1,0]^T和[0,0,1]^T。采用最小二乘法進行分類的目標是使相同樣本點間的距離越近，即相同樣本點的回歸目標與其真實類別矩陣更加接近，而不同類別樣本點間回歸目標距離不同。當圖片數據中存在噪聲時，其回歸得到的誤差與正常樣本的誤差相比而言往往較大。而因為最小二乘法采用歐式距離來計算誤差，使得噪聲樣本的影響更大，導致最后回歸的結果向噪聲點方向偏離。此時，最小二乘法的線性判別能力無法得到保證，導致其后續任務如回歸和分類等的結果也會大大下降。現實生活中，噪聲的類型和種類很多，比如某一特征采集的數值偏差較大，數據中的標簽錯誤，數據中混入了其他類別的數據等。這些都會導致我們最終獲取數據不準確，存在噪聲，而導致后續任務的精度下降。

在暢佳,李東新的一種圖像去噪聲的方法中(暢佳,李東新.一種圖像去噪聲的方法[P].江蘇省：CN112734674A,2021-04-30.)，通過獲取含噪聲圖像的直方圖特征利用灰色關聯度分析方法來分析圖像中包含的噪聲類型，再針對不同類型的噪聲分別采用對應的去噪方法進行處理。該種方法步驟復雜，僅能對圖像中特定噪聲進行處理。

發明內容

為了克服現有技術的不足，本發明提供了一種基于l2p范數魯棒最小二乘法的噪聲圖像分類方法，首先采用對參數進行初始化，再采用交替優化法求解基于L_2,p范數的魯棒最小二乘法的目標函數，得到最終的分類模型，實現對噪聲圖像的分類。本發明方法通過對訓練集中的數據點添加權重的方式來自動去除樣本中的噪聲和離群點，無需手動進行誤差閾值的選取，僅需要提前估計噪聲點的數量，過程簡單，計算量小，在訓練分類器的同時去除噪聲圖像，而提高最小二乘法抑制噪聲的能力和圖像分類精度。

本發明解決其技術問題所采用的技術方案包括如下步驟：

步驟1：從公開圖像數據集中取出圖像，取出的圖像共2n張，包含了c個類別；