一种基于众智集成学习的图像分类方法技术

本发明专利技术涉及一种基于众智集成学习的图像分类方法，本发明专利技术采用的技术方案为一种基于集成学习的方法来提高图像分类的准确性的方法。改变了传统的svm训练方式，将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。针对从某医院内分泌科的系统数据库收集的面部数据集，对于面部图像检测任务的正确分类率，综合分类器的最佳性能为88.1％。证明了该集成学习方法可以实现面部图像的分类，在其他场景图像数据集中，本方法也得到了很好的效果。

An Image Classification Method Based on Intelligence ensemble Learning

【技术实现步骤摘要】
一种基于众智集成学习的图像分类方法
本专利技术涉及图像处理
，尤其涉及一种基于集成学习的图像分类方法。本专利技术能够便于对图像进行分类，分类步骤简单，便于实现，且能够提高分类精确度，避免出现分类误差，方法简单，使用方便。
技术介绍
图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。即是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。随着互联网的快速发展以及计算机的快速发展，数字图像的获取也变得越来越容易。因此，可用的数字图像正快速地增长并且在越来越多的行业中得到应用。图像分类技术是一种辅助用户高效地获取期望图像的方法，同时也是很多与图像相关的人机交互系统取得成功的基础，如人脸识别系统、推荐系统等。特别是现在深度学习在图像处理的应用更是广泛，但是其可解释性差，特别是处理小样本问题很难适用。本文档来自技高网...

【技术保护点】
1.一种基于众智集成学习的图像分类方法，其特征在于包括：(1)图像预处理：获取带有标注的图像数据集，该步骤首先对图像进行重命名，然后通过目标检测对原始图像进行归一化，包括尺寸归一化、增强光照操作，并将其转换为灰度图像；(2)特征选择：通过对每幅灰度图像进行主成分分析PCA和核PCA，提取出保留95％以上信息量的特征；(3)基础学习模型构建：采用了一种基础学习模型，即使用支持向量机来构建基础分类器，并使用不同的核函数：高斯核函数、拉普拉斯核函数、多项式核函数Polynomial和PolyPlus；通过对核函数的调参，增加模型的多样性；(4)多个基本学习模型的集合：使用随机森林和和svm的结合，对...

【技术特征摘要】
1.一种基于众智集成学习的图像分类方法，其特征在于包括：(1)图像预处理：获取带有标注的图像数据集，该步骤首先对图像进行重命名，然后通过目标检测对原始图像进行归一化，包括尺寸归一化、增强光照操作，并将其转换为灰度图像；(2)特征选择：通过对每幅灰度图像进行主成分分析PCA和核PCA，提取出保留95％以上信息量的特征；(3)基础学习模型构建：采用了一种基础学习模型，即使用支持向量机来构建基础分类器，并使用不同的核函数：高斯核函数、拉普拉斯核函数、多项式核函数Polynomial和PolyPlus；通过对核函数的调参，增加模型的多样性；(4)多个基本学习模型的集合：使用随机森林和和svm的结合，对数据集进行随机抽取样本和特征；对于随机训练集，使用30个基础学习模型，即支持向量机来构建基础分类器；第一、基础分类器：获取带有标注的图像数据集，使用K折交叉验证方法来评估分类器的性能；所有的图像被等分成K个子集，每个子集包含其中的三分之一的图像；每次实验中，选择K-1个子集作为训练集，剩余一个子集作为测试集，执行基本分类器；通过两种特征提取方法，即PCA、KPCA特征和基础分类器SVM的组合，一共建立五种独立的基础分类器，分别使用svm、pca、kpca、pca和svm、kpca和svm五种方法进行K折交叉验证评估分类性能；第二、多数投票：一共包含N个样本，其中实验组：a张，对照组：b张，然后将预处理后的每张灰度图像展开成M*M，此处预处理归一化后图像的尺寸为M维向量的形式；接下来，一共构建30个子训练集，每个子训练集的构建过程如下：(1)从N个训练集中，以1...

【专利技术属性】
技术研发人员：李建强，姚国红，赵青，高翔，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11