本发明专利技术公开了一种基于混合协同表示的分类器的图像分类方法和装置，属于模式识别技术领域，在基于传统协同表示分类器的基础上，增加类属协同表示约束项，由于传统的协同表示分类器能够使测试样本在整个训练样本空间中具有较好的拟合效果，类属协同表示约束项能使测试样本在其所属的类别的训练样本子空间中具有较优的拟合效果，两者相互配合，不仅改善了类属协同表示约束项在其它类别的训练样本子空间中拟合误差大的缺陷，而且改善了传统的协同表示分类器的图像鉴别性能；能够更好的处理样本空间内禀的非线性结构性质，将特征空间线性不可分的模式通过非线性映射到更高维特征空间实现线性可分，从而进一步提升图像分类性能。
【技术实现步骤摘要】
一种基于混合协同表示的分类器的图像分类方法和装置
本专利技术涉及模式识别
，特别涉及一种基于混合协同表示的分类器的图像分类方法和装置。
技术介绍
模式识别(英语：PatternRecognition)，就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别、语音识别系统。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。模式识别过程通常包含两个阶段，第一个阶段是特征提取，另一个是构造分类器和标签预测。其中，分类器设计(ClassifierDesign)作为模式识别系统的一个重要环节，一直以来都是模式识别领域研究的核心问题之一。目前，主要的分类器设计方法有以下几种：(1)支持向量机方法(英文：SupportVectorMachine)：是CorinnaCortes和Vapnik等于1995年首先提出来的，它旨在通过最大化类别间隔建立最优分类面。该类方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势。然而，该类分类器只有少量的边界点(即支持向量)参与到分类面建立，如果边界点分布的位置不好，那么对于分类是十分不利的。(2)线性回归的多类分类方法(英文：LinearRegressionbasedClassifier)：线性回归的多类分类方法是由ImranNaseem等人于2010年提出的，该分类方法将测试样本在每类训练样本子空间中进行线性拟合，通过判断拟合误差来决定测试样本的类别。该分类方法能够有效地通过类属线性拟合的方法提取鉴别信息。但是这种方法会产生较大的拟合误差，并且容易产生不稳定的解(拟合矩阵不满秩)。(3)基于稀疏表示的多类分类方法(英文：SparseRepresentationbasedClassifier)：是由J.Wright等人于2009年提出的，该分类方法首先将测试样本在所有训练集上进行稀疏编码，然后根据产生最小编码误差的类别决定分类结果。该分类方法在多类分类中取得优异的性能，但是该方法并没有考虑测试样本在每类训练样本子空间的拟合信息。(4)基于协同表示的多类分类方法(英文：CollaborativeRepresentationbasedClassifier)：是由zhang等人于2011年提出，该分类方法首先将测试样本在所有训练集上进行协同表示，然后根据产生最小编码误差的类别决定分类结果。该分类方法在大多数数据集上性能优于基于稀疏表示的多类分类方法。但是该方法也没有考虑测试样本在每类训练样本子空间的拟合信息。
技术实现思路
为了解决现有技术的分类器设计方法在图像分类过程中存在的问题，本专利技术实施例提供一种基于混合协同表示的分类器的图像分类方法和装置，通过将类属协同表示算法作为约束项嵌入基于协同表示算法的分类器模型中，从而有效的改变分类器的鉴别分类性能，进一步提升图像分类性能。所述技术方案如下：第一方面，本专利技术提供了一种基于混合协同表示的分类器的图像分类方法包括：采用卷积神经网络提取图像特征；采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，其中，所述混合协同表示目标优化函数为：其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)；X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)；φ(Xc)是由第c类训练样本特征在核空间的映射，s为样本φ(y)的协同表示向量，sc代表样本φ(y)用第c类训练样本特征φ(Xc)进行的协同表示，s＝[s1s2…sc…sC]T，C表示类别数，τ用于调整类属协同表示项所占的比例，λ,γ用于平衡拟合误差和协同表示，β＝λ+τγ；代表向量2范数的平方；求解所述混合协同表示目标优化函数的最优解，其中，所述最优解的求解公式如下：其中，κ(X,X)＝φ(X)Tφ(X)，κ(X,y)＝φ(X)Tφ(y)，表示[0,…,φ(Xc),…,0]；获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类。可选的，所述采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，具体为：采用目标优化函数对核空间测试样本图像特征φ(y)进行协同表示，其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)，X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)，s为样本φ(y)的协同表示向量；采用目标优化函数对核空间测试样本图像特征φ(y)进行类属协同表示，其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)，X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)，sc代表样本φ(y)用第c类训练样本特征φ(Xc)进行的协同表示；将协同表示和类属协同表示的核空间测试样本图像特征φ(y)进行求和得到所述混合协同表示目标优化函数。可选的，所述获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类，具体为：根据公式获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，其中，表示核空间测试样本特征φ(y)在每一类样本子空间的混合协同表示形式；根据公式确定所述拟合误差中最小值，并将所述拟合误差中最小的一类确定为待分类图像所属的类。第二方面，本专利技术提供了一种基于混合协同表示的分类器的图像分类装置包括：提取模块，用于采用卷积神经网络提取图像特征；表示模块，用于采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，其中，所述混合协同表示目标优化函数为：其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)；X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)；φ(Xc)是由第c类训练样本特征在核空间的映射，s为样本φ(y)的协同表示向量，sc代表样本φ(y)用第c类训练样本特征φ(Xc)进行的协同表示，s＝[s1s2...sc...sC]T，C表示类别数，τ用于调整类属协同表示项所占的比例，λ,γ用于平衡拟合误差和协同表示，β＝λ+τγ；代表向量2范数的平方；求解模块，用于求解所述混合协同表示目标优化函数的最优解，其中，所述最优解的求解公式如下：其中，κ(X,X)＝φ(X)Tφ(X)，κ(X,y)＝φ(X)Tφ(y)，表示[0,...,φ(Xc),…,0]；确定模块，用于获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类。可本文档来自技高网...
【技术保护点】
1.一种基于混合协同表示的分类器的图像分类方法，其特征在于，所述方法包括：采用卷积神经网络提取图像特征；采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，其中，所述混合协同表示目标优化函数为：
【技术特征摘要】
1.一种基于混合协同表示的分类器的图像分类方法，其特征在于，所述方法包括：采用卷积神经网络提取图像特征；采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，其中，所述混合协同表示目标优化函数为：其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)；X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)；φ(Xc)是由第c类训练样本特征在核空间的映射，s为样本φ(y)的协同表示向量，sc代表样本φ(y)用第c类训练样本特征φ(Xc)进行的协同表示，s＝[s1s2…sc…sC]T，C表示类别数，τ用于调整类属协同表示项所占的比例，λ,γ用于平衡拟合误差和协同表示，β＝λ+τγ；代表向量2范数的平方；求解所述混合协同表示目标优化函数的最优解，其中，所述最优解的求解公式如下：其中，κ(X,X)＝φ(X)Tφ(X)，κ(X,y)＝φ(X)Tφ(y)，表示[0,…,φ(Xc),…,0]；获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类。2.根据权利要求1所述的图像分类方法，其特征在于，所述采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，具体为：采用目标优化函数对核空间测试样本图像特征φ(y)进行协同表示，其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)，X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)，s为样本φ(y)的协同表示向量；采用目标优化函数对核空间测试样本图像特征φ(y)进行类属协同表示，其中，y∈RD×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)，X∈RD×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)，sc代表样本φ(y)用第c类训练样本特征φ(Xc)进行的协同表示；将协同表示和类属协同表示的核空间测试样本图像特征φ(y)进行求和得到所述混合协同表示目标优化函数。3.根据权利要求1和2所述的图像分类方法，其特征在于，所述获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类，具体为：根据公式获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，其中，表示核空间测试样本特征φ(y)在每一类样本子空间的混合协同表示形式；根据公式确定所述拟合误差中最小值，并将所述拟合误差中最小的...
【专利技术属性】
技术研发人员：刘宝弟，谢文阳，王延江，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。