基于流形学习的图像分类算法和系统技术方案

本发明专利技术公开一种基于流形学习的图像分类算法和系统，包括：步骤1，选取训练样本集和测试样本集；步骤2，利用sift算法提取两个样本集图像的特征点；步骤3，利用流形学习方法中的局部线性嵌入或拉布拉斯特征映射对分别对两个样本集中的特征点进行降维；步骤4，将训练样本集降维后的特征点输入到支持向量机分类器中进行训练；步骤5，利用训练好的支持向量机分类器对测试样本集进行分类。本发明专利技术将SIFT特征提取算法与非线性流形学习降维算法相结合，提取出图像的中层特征，然后再利用SVM分类器进行分类处理，可以有效的提高计算速度及其分类的精度。

【技术实现步骤摘要】
基于流形学习的图像分类算法和系统
本专利技术涉及图像分类
，适用于目标分类、目标识别和目标检测等领域。
技术介绍
图像分类技术，即根据图像特征的差异，将不同类的目标标记为相应种类的技术。传统的图像分类方法先利用方向梯度直方图(HistogramofOrientedGradient,HOG)、LBP(LocalBinaryPattern，局部二值模式)和Haar等算法提取图像的特征，然后利用分类器将不同的图像分为相应的种类。根据提取特征的不同，最终能够达到的分类效果也有很大的差异；因此，选择合适的能够充分描述图像的特征提取方式，筛选出更多有利于图像分类的特征便十分的重要。如果直接对提取的HOG、LBP或者Haar等特征进行分类计算，由于样本数量多，以及图像特征的维数高；同时高维数据中常常包含许多冗余特征可能还有噪声特征，还存在着维数灾难的问题；这大大的增加了计算量，需要花费更多的时间来完成学习、训练的过程，同时会降低图像分类处理的精度。为了解决这一系列棘手的问题，众多研究人员提出了诸如PCA、LDA和LFA等方法来将图像特征从D维降低到d维(d<D)。主成分分析(P本文档来自技高网...

【技术保护点】
1.一种基于流形学习的图像分类算法，其特征在于，包括如下步骤：步骤1，选取训练样本集和测试样本集；步骤2，利用sift算法提取两个样本集图像的特征点；步骤3，利用流形学习方法中的局部线性嵌入或拉布拉斯特征映射对分别对两个样本集中的特征点进行降维；步骤4，将训练样本集降维后的特征点输入到支持向量机分类器中进行训练；步骤5，利用训练好的支持向量机分类器对测试样本集进行分类。

【技术特征摘要】
1.一种基于流形学习的图像分类算法，其特征在于，包括如下步骤：步骤1，选取训练样本集和测试样本集；步骤2，利用sift算法提取两个样本集图像的特征点；步骤3，利用流形学习方法中的局部线性嵌入或拉布拉斯特征映射对分别对两个样本集中的特征点进行降维；步骤4，将训练样本集降维后的特征点输入到支持向量机分类器中进行训练；步骤5，利用训练好的支持向量机分类器对测试样本集进行分类。2.如权利要求1所述的一种基于流形学习的图像分类算法，其特征在于：步骤2中利用sift算法提取图像特征点的具体实现方式如下，步骤2a，构建尺度空间，首先通过图像与高斯函数卷积来建立高斯金字塔，高斯金字塔中二维图像尺度空定义如式1-1：Li(x，y，σ)＝Gi(x，y，σ)*Ii(x，y)公式1-1其中Gi(x，y，σ)是高斯函数，x，y为空间坐标，σ为尺度坐标，用于决定图像的尺度；将原图扩大一倍作为高斯金字塔的最底层，自底层向上，每组图像的大小依次缩小1倍，同时高斯函数与每层图像卷积的σ值依次扩大k倍即可构建高斯金字塔；构建高斯差分尺度空间，并用Fi(x，y，σ)表示，具体定义如公式1-2所示：Fi(x，y，σ)＝Li(x，y，kσ)-Li(x，y，σ)公式1-2步骤2b，寻找特征点，将每个采样点与相邻的26个相邻点进行比较(包含不同层)，若为极值点，初步认定为特征点；步骤2c，精确特征点位置，首先消除虚假极值，将空间尺度函数进行泰勒展开如公式1-3，对公式1-3进行求导并使方程等于0，得到X的值如公式1-4，并将其代入F(X)如公式1-5，并根据结果除掉对比度较低的特征点；|F(X)|≥0.03，此采集点保存为特征点，否则舍弃；步骤2d，消除边缘响应，利用海森矩阵求出特征点处的主曲率，滤除主曲率比值大于一定阈值的点，从而消除边缘响应；令海森矩阵为Hs，FXX、FXY、FYY为各个方向上的偏导数,令FXX＝a,FYY＝b,且a＝b*x，Trace(Hs)为海森矩阵的迹，|Hs|为海森矩阵的行列式，F的主曲率和HS的特征值成正比，S在a＝b时最小，特征值之间的比值越大S越大；时保留特征点，否则滤除特征点；步骤2e，确定特征点方向，用特征点邻域像素方向分布特性，为每个特征点指定方向参数，从而使描述子对图像具有旋转不变性，利用公式1-7求得每个像素的梯度幅值，利用公式1-8求得每个像素的梯度方向，并特征点周围样本点统计出方向直方图，方向直方图中，最大峰值方向是特征点的主方向；步骤2f，生产特征点描述子，具体过程为：1、确定计算描述子所需的图像区域半径，2、将坐标轴x方向移至特征点主方向，3、对图像半径区域内所有样本点求梯度幅值与方向，生成方向直方图。3.如权利要求1所述的一种基于流形学习的图像分类算法，其特征在于：步骤3中利用局部线性嵌入进行降维的实现方式如下；步骤3-1a，寻找每个样本点的k个近邻点，将k个距离最近的样本点规定为所求样本点的近邻点，这里的样本点和近邻点均为步骤2中提取的特征点，k是一个预先给定值；步骤3-1b，由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；步骤3-1c，由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。4.如权利要求1所述的一种基于流形学习的图像分类算法，其特征在于：步骤3中利用拉布拉斯特征映射进行降维的实现方式如下；步骤3-2a，近邻图的构造，首先连接样本点(即步骤2提取的特征点)，连接每个点最近的k个点，k值为事先设定；步骤3-2b，使用热核函数确定相邻点之间的权重大小如式2-8，t是热核宽度，x1与x2为相邻点；步骤3-2c，让相似的样本点在降维后空间中距离较近，构建优化目标函数f(x)如式2-9：ya，yb是特征点在m维空间中的列向量，其拉普拉斯矩阵为L＝D-W，其中D为图的度矩阵，W为图的邻接矩阵，对图拉普拉斯矩阵进行特征值分解，使用最小的m个特征值(非零)对应的特征向量作为降维后的结果。5.一种基于流形学习的图像分类系...

【专利技术属性】
技术研发人员：王云艳，罗冷坤，王重阳，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42