一种基于稀疏增强和鉴别字典学习的高维图像分类方法技术

本发明专利技术公开了一种基于稀疏增强和鉴别字典学习的高维图像分类方法，预先获取图像分类数据集，并进行预处理；从鉴别稀疏表示分类模型

【技术实现步骤摘要】
一种基于稀疏增强和鉴别字典学习的高维图像分类方法


[0001]本专利技术属于深度学习计算机视觉图像处理领域，具体涉及一种基于稀疏增强和鉴别字典学习的高维图像分类方法
。

技术介绍

[0002]随着国内图像分类的技术水平的不断成熟，它也被越来越多的推广到人民大众生活的各个领域，延伸出物流运输识别
、
大型百货商品识别摄像头等多种产品
。
尽管已有的图像分类方法在特定的图像数据集的识别率有不错的效果，但在实际测试生产环境中，由于监控对象
、
商品
、
物体的未主动聚焦配合，距离摄像头距离较远或者模糊遮挡的问题造成图像质量不高，且可能会有噪声失真影响，使我们可用信息减少；另外，由于不同图片的格式不同，其图片质量不一样，如由于角度变化，光影条件复杂变化等；都有可能会导致图像的部分特征无法正常提取，导致图像分类的识别错误
。
如在大型百货商品识别，物流信息识别中，由于位置，光影，和图片的质量低劣造成识别不成功的情况
。
因此提高各种场景下图像分类识别有重要的研究意义
。
[0003]图像分类作为一种广泛的商业物体识别技术得到了广泛的应用
。
图像识别作为模式识别来图像处理领域成功的应用之一，在过去很长一段时间里都是人们研究的热点
。
从技术角度来说，图像分类有三大类，即传统的图像分类方法
、
基于表示的图像分类方法和基于深度学习的图像分类方法
。
>传统的图像分类方法性能和理想的识别效果还有很大的差距
。
基于深度学习的方法面对海量的数据具有较好识别性能，但在实际应用中遇到小样本的情形时，性能往往会出现断崖式的快速下降，甚至无法直接使用
。
基于表示的图像识别方法由于简单高效，从提出开始一直受到人们的关注，稀疏表示
、
字典学习是典型的基于表示的识别方法
。
由于基于表示的方法具有良好的抗噪声
、
抗遮挡的特性，所以许多的改进模型被提出；这些算法在一定程度上提高了图像分类的精度，但对于分辨率较低
、
噪声较大等可用信息有限的图像分类进行识别时，这些方法的识别性能会受到较大程度的影响
。
如何对可用信息有限的图像分类进行有效的识别是人们一直研究的热点
。

技术实现思路

[0004]专利技术目的：针对上述问题，本专利技术提出了一种基于稀疏增强和鉴别字典学习的高维图像分类方法，以解决由于角度的变化，位置的变化，光照的变化等复杂变化引起的低分辨率
、
噪声大
、
质量低劣的图像分类的识别问题
。
[0005]技术方案：本专利技术所述的一种基于稀疏增强和鉴别字典学习的高维图像分类方法，包括以下步骤：
[0006](1)
预先获取图像分类数据集，并进行最大最小规范化来训练测试样本数据集，训练样本数据集对应标签矩阵；
[0007](2)
从鉴别稀疏表示分类模型
DSRC
，获得一个密集且有鉴别性的表示系数利用已知
OMP
算法从稀疏表示函数模型获取一个稀疏的表示系数
[0008](3)
根据有序位置保持算法
OLP
，实现图像维度简约；
[0009](4)
采用
Fisher
准则来约束字典中得原子；
[0010](5)
采用交替优化策略更新变量低维空间中学习到的字典
D
r
、PX
在字典
D
r
上的编码矩阵
A
r
、
样本从高维空间转换到低维空间的特征转换矩阵
P
对基于稀疏增强和鉴别字典学习的图像分类回归模型进行优化求解；获得特征提取之后的特征转换矩阵，代入测试样本数据集；
[0011](6)
通过高维图像的有效降维和鉴别字典学习方法来辅助图像之间的分类方法；再从高维到低维投影进行线性子空间判别，并对训练样本和测试样本集进行归一化，单位化处理，利用线性分类器算法来测试样本进行分类，从而达到预期图像分类更好的结果
。
[0012]进一步地，所述步骤
(1)
实现过程如下：
[0013]预先获取图像分类数据集，并进行最大最小规范化来训练测试样本数据集，训练样本数据集对应标签矩阵
L
，有
C
个类别的
n
个训练样本，其训练样本数据集数据矩阵表示为：
[0014]M
＝
[M1，
M2，
...,M
C
]∈R
d*n
[0015]M
中的每一列表示一样样本，其特征维度为
d
；训练样本数据集数据矩阵
M
，得到训练后的训练样本数据集标签矩阵
L
；表示第
i
类的训练样本数据集矩阵，
1≤i≤C
，
n
i
表示第
i
类训练样本的数目，将训练样本数据集矩阵
M∈R
d*n
，训练样本数据集标签矩阵
L∈R
c*n
，稀疏度参数
k>0
，正则化参数
r
，测试样本数据集为
y。
[0016]进一步地，所述步骤
(2)
实现过程如下：
[0017]对训练样本数据集矩阵
M
每一列和测试样本数据集
y
进行单位化，统一化；计算块对角矩阵：
[0018][0019]由测试样本数据集
y
和训练样本数据集矩阵
M
，代入
DSRC
模型，计算得训练样本上的系数向量：
[0020][0021]由测试样本数据集
y
和训练样本数据集矩阵
M
，利用已知
OMP
算法化简得到一个计算稀疏的表示向量其中，实现数据压缩，表示数据矩阵压缩；利用密集且鉴别的表示系数和稀疏的表示系数得到：
[0022][0023]由此获得增强稀疏表示数是增强的表示系数向量；使用标签矩阵最小化所有类别表示结果的相关性，得到的表示系数更具鉴别性预测测试样本
y
的标签
q
i
为向量的第
i
个
(1≤i≤C)
系数；
L∈R
C*n
表示
训练样本对应的二值
(0
，
1)
标签矩阵；测试样本
y
的类别标签从而输出部分测试样本数据集
y
得类别标签
Label(y本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于稀疏增强和鉴别字典学习的高维图像分类方法，其特征在于，包括以下步骤：
(1)
预先获取图像分类数据集，并进行最大最小规范化来训练测试样本数据集，训练样本数据集对应标签矩阵；
(2)
从鉴别稀疏表示分类模型
DSRC
，获得一个密集且有鉴别性的表示系数利用已知
OMP
算法从稀疏表示函数模型获取一个稀疏的表示系数
(3)
根据有序位置保持算法
OLP
，实现图像维度简约；
(4)
采用
Fisher
准则来约束字典中的原子；
(5)
采用交替优化策略更新变量低维空间中学习到的字典
D
r
、PX
在字典
D
r
上的编码矩阵
A
r
、
样本从高维空间转换到低维空间的特征转换矩阵
P
对基于稀疏增强和鉴别字典学习的图像分类回归模型进行优化求解；获得特征提取之后的特征转换矩阵，代入测试样本数据集；
(6)
通过高维图像的有效降维和鉴别字典学习方法来辅助图像之间的分类方法；再从高维到低维投影进行线性子空间判别，并对训练样本和测试样本集进行归一化，单位化处理，利用线性分类器算法来测试样本进行分类，从而达到预期图像分类更好的结果
。2.
根据权利要求1所述的一种基于稀疏增强和鉴别字典学习的高维图像分类方法，其特征在于，所述步骤
(1)
实现过程如下：预先获取图像分类数据集，并进行最大最小规范化来训练测试样本数据集，训练样本数据集对应标签矩阵
L
，有
C
个类别的
n
个训练样本，其训练样本数据集数据矩阵表示为：
M
＝
[M1，
M2，
...,M
C
]∈R
d*n
M
中的每一列表示一样样本，其特征维度为
d
；训练样本数据集数据矩阵
M
，得到训练后的训练样本数据集标签矩阵
L
；表示第
i
类的训练样本数据集矩阵，
1≤i≤C
，
n
i
表示第
i
类训练样本的数目，将训练样本数据集矩阵
M∈R
d*n
，训练样本数据集标签矩阵
L∈R
c*n
，稀疏度参数
k>0
，正则化参数
r
，测试样本数据集为
y。3.
根据权利要求1所述的一种基于稀疏增强和鉴别字典学习的高维图像分类方法，其特征在于，所述步骤
(2)
实现过程如下：对训练样本数据集矩阵
M
每一列和测试样本数据集
y
进行单位化，统一化；计算块对角矩阵：由测试样本数据集
y
和训练样本数据集矩阵
M
，代入
DSRC
模型，计算得训练样本上的系数向量：由测试样本数据集
y
和训练样本数据集矩阵
M
，利用已知
OMP
算法化简得到一个计算稀疏的表示向量其中，实现数据压缩，表示数据
矩阵压缩；利用密集且鉴别的表示系数和稀疏的表示系数得到：由此获得增强稀疏表示数是增强的表示系数向量；使用标签矩阵最小化所有类别表示结果的相关性，得到的表示系数更具鉴别性预测测试样本
y
的标签
q
i
为向量的第
i
个
(1≤i≤C)
系数；
L∈R
C*n
表示训练样本对应的二值
(0
，
1)
标签矩阵；测试样本
y
的类别标签从而输出部分测试样本数据集
y
得类别标签
Label(y)。4.
根据权利要求1所述的一种基于稀疏增强和鉴别字典学习的高维图像分类方法，其特征在于，所述步骤
(3)
实现过程如下：
Y
＝
PX
ꢀꢀꢀꢀ
(3)
其中，
Y
表示低维空间，
P
表示转换矩阵，训练样本数据集矩阵
M
的每一列均表示一个样本，由上式
(3)
进行单位化，归一化后为得
(x
i
,x
u
,x
v
)
由
x
i
和
x
u
，
x
v
是近邻关系，三元组
(y
i
,y
u
,y
v
)
是三元组
(x
i
,x
u
,x
v
)
在低维空间的投影，
OLP
定义为：
dist(x
i
,x
u
)≤dist(x
i
,x
v
)
ꢀꢀꢀꢀ
(4)
得：其中，
ψ
i
表示样本
x
i
得
t
个近邻的下标的集合
,F
uvi
的第
(u,v)
个元素为：
dist(x
i
,x
u
)
‑
dist(x
i
,x
v
)
，式
(5)
转化为：令对矩阵进行化简，故如下式：推得：
即式
(9)
推得线性判别投影子空间；采用
OLP
算法充分利用样本之间得位置有序信息，式
(5)
可化简为：其中：其中，
Z
为式
(7)
，
Z
的含义是当
j
属于定义域，即为
F
函数的值求和；当
j
不在定义域时，即
Z
值为
0。5.
根据权利要求1所述的一种基于稀疏增强和鉴别字典学习的高维图像分类方法，其特征在于，所述步骤
(4)
实现过程如下：利用
Fisher
准则来约束字典中的原子，即学习到字典有最小化的类内散度和最大化的类间散度，得到：类间散度，得到：其中，和分别为表示第
i
个字典和整个字典得均值向量；令
E
kiki
＝
I
ki
I
kiT
又和和和利用
Fisher
判别约束，公式化简表示为：
Tr(S
w
(D
r
)
‑
S
B
(D
r
))
＝
T
r
(D
r
Φ
(D
r
)
T
)
ꢀꢀꢀꢀꢀꢀ
(15)
其中
Φ
定义为：将降维技巧和原子
Fisher
约束加入公式得：其中
φ
，
β
，
θ
和
γ
...

【专利技术属性】
技术研发人员：宗慧，周恒，唐宇诚，周宇，杨占辉，陈鑫，安雯龙，刘向超，邹佳辰，宗美晨，朱俊勋，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：