欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024113155042
申请人: 浙江理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于多层级逼近式字典学习的快速图像分类方法,其特征是包括如下步骤:S1、选取图像数据集;

S2、采用特征提取法对图像进行预处理,生成图像样本集;

S3、构建监督式字典学习模型;

S4、采用拉普拉斯特征映射对稀疏系数进行局部不变性约束;

S5、引入类内差异抑制项对字典学习模型进行约束;

S6、构建分类标签矩阵;

S7、构建分类误差约束项;

S8、采用解析法对目标函数进行求解,对稀疏系数、线性分类模型参数和字典进行迭代更新;

S9、根据更新的稀疏系数和字典计算误差;

S10、判断判断字典和线性分类模型参数是否满足迭代收敛条件,若满足,则输出最优判别字典Dlen和最优线性分类模型参数Rlen,否则返回执行步骤S5;

S11、采用分类误差约束项作为线性分类器进行图像分类;

步骤S3中,设样本数据为:,字典矩阵为:;

其中,表示实数集,n表示数据维度,N表示样本yi的个数,i=1,2,…,N;K表示字典原子dj的个数,j=1,2,…,K;采用L2范数对字典模型进行约束,即:;

其中,表示稀疏系数,λ是一个非负正则参数;将字典学习的目标函数改写为:其中,表示稀疏系数矩阵,F表示F范数,D*和S*分别表示更新后的字典矩阵和稀疏系数矩阵;

根据训练样本的类别标签信息,构建如下监督式字典学习模型:设数据样本表示为:Y=[y1,y2,y3,y4,y5,y6,y7,y8,y9],当样本 𝑦1、𝑦2和𝑦3来自第1类,𝑦4、𝑦5和𝑦6来自第2类,𝑦7、𝑦8和𝑦9来自第3类时,标签矩阵定义为:其中,矩阵A中的每个对角块表示每个类的一个子空间,扩展到N个样本中,矩阵A定义为:,表示矩阵A中的元素,i=1,2,…,N;设置字典的原子数量K等于样本数量N,因此监督式字典学习模型的目标函数重新表示为:其中,字典矩阵,稀疏系数矩阵,α为标签约束项的正则参数,α > 0;

步骤S4中,在训练样本Y上使用kNN算法,以构建无向图G;将每一个样本yi看作一个点,通过kNN算法计算距离最近的k个点,k < N在样本yi与这k个点之间各构建一条边,即;构建的拉普拉斯矩阵为:L=M-W;

其中,为拉普拉斯矩阵,表示无向图G的权重矩阵,表示无向图G的度矩阵,且M为对角矩阵;采用高斯核函数法计算权值wij:其中,𝜎为高斯核函数的带宽参数,𝜎 > 0,度矩阵𝑀的对角元素Mii表示为:;

拉普拉斯特征映射优化的目标函数如下:

其中,tr(•)是求•矩阵的迹;将拉普拉斯特征映射约束作为正则项加入字典的目标函数中,构建的局部不变性的字典学习模型如下:其中,𝛽为拉普拉斯特征映射约束项的正则参数,𝛽 > 0;

步骤S5中,设训练样本Y包含N个样本,C个不同的类别,每个类别的样本数量为xc=(1,2,…,C),则;令每类训练样本对应的稀疏系数子矩阵为;

其中,稀疏系数矩阵S的更新采用逐列更新;同一类别中不同稀疏系数拥有不同的类内稀疏均向量μi,即:其中,t表示迭代次数;

通过最小化稀疏表示的类内稀疏均方差,使得来自同一类别的目标向类内稀疏均向量聚集;因此得到:其中,𝛾为类内差异抑制性约束项的正则参数,𝛾 > 0。

2.如权利要求1所述基于多层级逼近式字典学习的快速图像分类方法,其特征是:步骤S6中设样本为:Y=[y1,y2,y3,y4,y5,y6,y7],且y1和y2属于第1类,y3和y4属于第2类,y5、y6和y7属于第3类,分类标签矩阵𝐻定义为:扩展到N个样本中,矩阵H定义为:,C为样本类别。

3.如权利要求2所述基于多层级逼近式字典学习的快速图像分类方法,其特征是:步骤S7中,通过最小化分类标签向量与稀疏系数线性映射向量之间的误差,求解相似最优值;分类误差约束项表示为:其中,表示线性分类模型参数矩阵;因此,字典模型的目标函数表示为:其中,为分类误差约束项的正则参数,。

4.如权利要求3所述基于多层级逼近式字典学习的快速图像分类方法,其特征是:步骤S8中,采用解析法对目标函数进行求解,对稀疏系数S、线性分类模型参数R和字典D进行迭代更新,即对稀疏系数、线性分类模型参数和字典分别进行求偏导,得到:其中,I是单位矩阵;w为一个常量,w>0;

其中,θ为一个常量,θ>0。

5.如权利要求4所述基于多层级逼近式字典学习的快速图像分类方法,其特征是:步骤S9中,根据更新的稀疏系数S(t)和字典D(t)计算误差ε(t):。

6.如权利要求5所述基于多层级逼近式字典学习的快速图像分类方法,其特征是,步骤S10中,迭代收敛条件为:其中,ε0表示迭代终止参数;判断是否满足迭代收敛条件,若满足,则输出最优的判别字典Dlen=D(t)和最优线性分类模型参数Rlen=R(t);若不满足,则执行步骤S5。

7.如权利要求6所述基于多层级逼近式字典学习的快速图像分类方法,其特征是,步骤S11中,线性分类器表示为:其中,ri为线性分类模型参数矩阵R的第𝑖行;线性分类器通过线性分类模型参数Rlen与稀疏系数的乘积获得一个预测向量,因此待测样本的稀疏系数的更新如下:其中,λR为分类稀疏性参数,λR>0。