1.一种基于混合范数正则约束的宽度学习图像分类方法,其特征在于,包括以下步骤:获取待分类图像数据,对所述图像数据进行预处理,并将经过预处理的所述图像数据划分为训练样本和测试样本,并获取所述训练样本对应的类标签;
构建宽度学习网络,将所述训练样本输入至所述宽度学习网络进行处理,生成宽度转换特征;
根据所述宽度转换特征以及所述类标签,利用ε拖拽方法以及混合范数的正则化约束方法,构建基于混合范数正则化约束的判别宽度学习网络分类优化目标函数,具体表达式为:式中,W表示投影矩阵,A表示训练样本宽度转换特征矩阵,λ1、λ2表示正则化参数,B表示ε拖拽方向,由+1、-1组成的常数矩阵,⊙表示矩阵的Hadamard乘积;M是一个常数矩阵,表示标签拖拽的距离,||·||F表示矩阵的Frobenius范数,||·||2,1表示矩阵的l2,1范数;
采用两步迭代法优化求解所述目标函数,实现图像分类,具体过程包括:(1)求解投影矩阵W:
令对W求偏导,并令偏导数等于0,得到:
式中,R=Y+B⊙M,D为由对角元素Dii=1/||Wi||2组成的对角矩阵;
(2)优化标签拖拽距离矩阵M:
令E=AW-Y,优化问题简化为将优化问题分解成逐个元素求解的子问题,得到Mij=max(BijEij,0),即:M=max(B⊙E,0);
(3)迭代所述(1)、(2),得到标签拖拽距离矩阵M和投影矩阵W的最优解。
2.根据权利要求1所述的一种基于混合范数正则约束的宽度学习图像分类方法,其特征在于,迭代优化求解的终止条件为:(obj(t-1)-obj(t))≤ε0
式中,obj(t-1)、obj(t)分别表示第t-1、t轮迭代的目标函数值,ε0为设定值。
3.根据权利要求1所述的一种基于混合范数正则约束的宽度学习图像分类方法,其特征在于,得到宽度转换特征的具体步骤为:(i)随机生成权重Wei与偏置βei,利用线性变换映射函数φi(·)从输入数据X中产生Ng组随机映射特征,则第i组映射特征为:将所有映射特征组合起来,得到:
(ii)利用(i)中得到的映射特征生成l组增强特征,每组增强特征包含一个增强节点,第j组增强特征可表示为:其中,Whj和βhj也是由网络随机生成,ζj=tanh(·)表示第j个激活函数,将所有增强特征组合起来,得到:(iii)组合所有的映射特征和增强特征,得到最终的宽度转换特征:
4.根据权利要求1所述的一种基于混合范数正则约束的宽度学习图像分类方法,其特征在于,图像数据预处理的步骤如下:统一所述训练样本与所述测试样本的尺寸;
划分N幅图像作为一次训练样本,剩余的图像作为一次测试样本;在图像数据库中划分四次,得到四组训练样本和测试样本;
对所述训练样本及所述测试样本进行标准化处理。
5.一种利用权利要求1-4任一项所述的一种基于混合范数正则约束的宽度学习图像分类方法的分类装置,其特征在于,包括:获取模块,用于获取待分类图像数据,对所述图像数据进行预处理,并将经过预处理的所述图像数据划分为训练样本和测试样本,并获取所述训练样本对应的类标签;
处理模块,用于构建宽度学习网络,将所述训练样本输入至所述宽度学习网络进行处理,生成宽度转换特征;
计算模块,用于根据所述宽度转换特征以及所述类标签,利用ε拖拽方法以及混合范数的正则化约束方法,构建基于混合范数正则化约束的判别宽度学习网络分类优化目标函数;
求解模块,用于采用两步迭代求解所述目标函数,实现图像分类。