1.一种基于相关向量机的图像处理证据函数估计方法,其特征在于,所述证据函数估计方法包括以下步骤:步骤1:将图像内的数据根据修正后的权参数先验形式,利用正态分布中均值与协方差,证明权参数的后验分布是正态分布;
步骤2:将图像内的数据根据多变量泰勒公式、似然函数与权重的先验分布的乘积对权参数做积分得到证据函数的具体表达式,即边缘似然函数;
步骤3:基于步骤2图像内的数据的边缘似然函数,利用矩阵微积分、矩阵代数以及最优化的方法最大化含有超参数的证据函数,从而得到图像的各个超参数的优化迭代算法;
所述步骤1具体为,当 其中x为标量,A为n×n可逆对称矩阵,Tr(·)T T
为矩阵的迹、 Tr(xy )=x y,其中Tr(·)为矩阵的迹,x为向量;算子定义为 且 其中k∈N;
T
令h=(h1,h2) 与 其中h1为向量h的第一个分量,h2为向量h的第二个分量,x1为向量x的第一个分量,x2为向量x的第二个分量,可得 与当算子 作用在x,得到则依据算子 对x作用的公式,可得T
其中h=(h1,h2) 与利用 可得
T T
若f:B(w,r)→R被定义为f(w)=wAw+wb+c;其中A是n×n可逆对称矩阵,b与w是n维列向量,c是一个标量;f(w)的泰勒在 的泰勒展开式为H的第(i,j)元素由 定义;
机器学习中的线性回归模型的一般形式为其中φi(x)为输入变量的非线性基函数,w0为偏差参数,x为图像数据向量;
定义φ0(x)=1,从而(1)式可重写为T T
其中w=(w0,…,wM‑1) 与φ(x)=(φ0(x),…,φM‑1(x)) ;
目标函数是带有加性高斯噪声的确定性函数y(x,w),即t=y(x,w)+ε (3)其中ε是0均值,精度为β的正态随机变量,从而获得‑1
p(t|x,w,β)=N(t|y(x,w),β) (4);
所述步骤1中权参数先验取如下的形式T T
其中α为精度向量,α=(α1,…,αM) 与γ为均值向量,γ=(γ1,…,γM) ;
利用公式(4),获得似然函数其中, M为所要确定的参数的个数;
相似地,
其中α=diag(αi);
获得权参数的后验分布p(w|t,X,α,β,γ)=N(w|m,Σ)也是正态分布,其中T ‑1 Tm=(A+βΦΦ) (Aγ+βΦt) (8)T ‑1
Σ=(A+βΦΦ) (9)其中
所述步骤2具体为,
p(t|X,α,β,γ)=∫p(t|X,w,β)p(w|α,γ)dw (10)利用公式(6)和公式(7),可得其中
令 得到
T ‑1 T
w=(A+βΦΦ) (βΦt+Aγ)=m, 可得其中
利用公式(11)与公式(12),可得T ‑1 T
其中m=(A+βΦΦ) (βΦt+Aγ), X=(x1,x2,…,xN)。
2.根据权利要求1所述一种基于相关向量机的图像处理证据函数估计方法,其特征在于,所述步骤3具体为,对公式(13)式取对数可得利用公式(9),公式(14)以及 可得因为
利用 以及公式(15),可得由公式(16)可得
其中Σii是后验协方差Σ的主对角线的第i个元素;
由公式(12),可得
其中mi是后验均值m的第i个分量;
由公式(17)与公式(18),可得由(19)可得 从而可得其中λi=1‑αiΣii;
根据公式(9)的Σ的定义以及 可得T T
根据 与Tr(xy)=xy,可得T T ‑1
因为(A+βΦΦ)(A+βΦΦ) =IM,可得T ‑1
ΦΦΣ=β (IM‑AΣ) (23)根据公式(22)与公式(23),可以得到从公式(12)式,可得从公式(24)与公式(25),可得从而得到
根据公式(12),对γ求导可得 令 可得γ=m,所以γi=mi (27)
其中γi为γ的第i个分量,mi为m的第i个分量。