一种计算机视觉图像分类集成学习方法技术

本发明专利技术特别涉及一种计算机视觉图像分类集成学习方法。该计算机视觉图像分类集成学习方法，在决策粗糙集模型的三支决策基础上利用群决策模型来确定损失函数，使用基于密度中心的云综合方法，将多个分类信息转化为云模型；只需要人工设定不同基分类器的权重，利用云模型来确定损失函数，通过算法来计算出阈值，即可形成决策规则。该计算机视觉图像分类集成学习方法，将采用云综合方法的三支群决策模型落实在计算机视觉图像分类算法中，在判定图像所属类别时，强分类器的效率和识别准确率明显提高，不仅提升了分类的准确性，分布式秉性运算还可以大幅度提高计算机在图像识别问题上的运行效率。

An integrated learning method of computer vision image classification

【技术实现步骤摘要】
一种计算机视觉图像分类集成学习方法
本专利技术涉及计算机视觉
，特别涉及一种计算机视觉图像分类集成学习方法。
技术介绍
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。图像分类，时指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。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。三支决策是一种基于符合人类认知的决策模式，它将结果分为接受、延迟和拒绝三种决策方案。三支决策理论可用于计算机视觉领域，处理包含不确定性信息和代价敏感的问题。例如，在图像分类问题中，往往会出现正类的样本较少而负类样本很多的不平衡问题。损失函数的确定是三支决策过程中的一个关键步骤，现有技术中，普遍认定最直接有效的方法是由领域专家直接给出损失函数，但专家评价的不确定性使其很难被量化，而且专家的评价不一定相对客观或具备说服力。特别是在计算机视觉领域，对于图像的分类无法采用普通的三支决策模型，机器学习在形成模型后不能再接受人工的干预，所以损失函数不能由专家判断来给出。针对上述问题，本专利技术提出了一种计算机视觉图像分类集成学习方法。
技术实现思路
本专利技术为了弥补现有技术的缺陷，提供了一种简单高效的计算机视觉图像分类集成学习方法。本专利技术是通过如下技术方案实现的：一种计算机视觉图像分类集成学习方法，其特征在于：在决策粗糙集模型的三支决策基础上利用群决策模型来确定损失函数，通过最小化分类决策中综合评价和基本评价之间的赋权距离，使用基于密度中心的云综合方法，将多个分类信息转化为云模型；只需要人工设定不同基分类器的权重，利用云模型来确定损失函数，为损失函数提供新的语义解释，并获得计算机视觉分类群决策中最精确的综合评价，通过算法来计算出阈值，即可形成决策规则。该计算机视觉图像分类集成学习方法，将图像分类集成学习方法集成到计算机视觉算法包中，包括以下步骤：第一步，确定状态集和决策动作集，并构造损失函数矩阵；其中，状态集表示对象属于集合C或不属于集合C；决策动作集Action＝{aP,aB,aN}分别表示将目标对象x分类到正域POS(C)、边界域BND(C)和负域NEG(C)的决策动作；从贝叶斯决策的角度上看，对于不同状态进行不同决策会带来6中相应的决策代价，其中，λPP，λBP，λNP分别表示目标概念C中对象采取aP，aB，aN三种决策动作产生的决策代价或损失；λPN，λBN和λNN分别表示目标概念C以外的对象采取aP，aB，aN三种决策动作产生的决策代价或损失；第二步，人工设定图像分类基分类器及其权重；基分类器集为E＝{e1,e2,…,et}，权重集为W＝{w1,w2,…,wt}T，其中t是基分类器组中的基分类器数量；第三步，将所有专家给出的损失函数所作出的不确定性评价转化为云模型，标记为：λkPP(ExkPP,EnkPP,HekPP)，λkBP(ExkBP,EnkBP,HekBP)，λkNP(ExkNP,EnkNP,HekNP)，λkPN(ExkPN,EnkPN,HekPN)，λkBN(ExkBN,EnkBN,HekBN)，λkNN(ExkNN,EnkNN,HekNN)，其中1≤k≤t，Ex，En和He为云模型的三个数字特征；其中Ex(期望)是概念中最具代表性或最典型性样本；En(熵)定性概念一种不确定性度量；He(超熵)描述的是熵(En)的不确定性。第四步，为减少各个分类器结果的不一致性，将所述云模型表示的损失函数进行综合，得到损失函数的综合评价云模型；第五步，考虑到云模型的期望反映了最典型的概念外延，因此将损失函数的综合评价云模型的期望代入，求出三支决策的各项阈值α，β，γ；第六步，形成分类决策规则，对该区域图像是否属于该类别给出判断标准。所述第一步中，6个决策代价或损失满足下列不等式：λPP≤λBP<λNP(1)λNN≤λBN<λPN(2)不等式(1)表示对一个属于目标概念C的对象x做出接受决策的损失小于或等于对其做出延迟决策的损失，而这两种损失都小于对其做出拒绝的损失；不等式(2)表示对一个不属于目标概念C的对象x做出拒绝决策的损失小于等于对其做出延迟决策的损失，而这两种损失都小于对其做出接受决策的损失。所述第四步中，云模型对原始数据粒化的优势表现在对定型概念的表述中，同时保留了随机和模糊两种不确定性；从粒认知计算的角度来看，群决策是一种粒化手段，将若干离散的基础评价转化为一个综合评价；云综合是基于概念内涵，将细粒度曾若干个云模型总合成一个粗粒度层的云模型的过程，其中低粒度层的云概念称为基础云，综合后的云概念称为综合云；在群决策中，云综合方法被定义为概念内涵的线性组合形式。所述第四步中，设U是用精确数值表示的定量理论域，C1和C2是U上的两个基础云概念；若正态分布N(μ,σ2),N1(μ1,σ21)和N2(μ2,σ22)分别是C1和C2的期望曲线、外包络曲线和内包络曲线对应正态分布关于G(N)＝KL(N||N1)+KL(N||N2)的最优解，则C1和C2基于对称KL散度形成的综合云模型M(Ex,En,He)满足：所述第四步中，设U是用精确数值表示的定量论域，C＝{Ci(Exi,Eni,Hei)|i＝1…n}是U上的n个基础云概念，其对应的权重集合Ω＝{ωi|i＝1…n}；若N(μ,σ2)是云模型簇C期望曲线对应的正态分布关于的最优解，Nouter(μouter,σ2outer)和Ninner(μinner,σ2inner)是云模型簇C关于s.t.θi∈[-1，]s.t.θi∈[-1，1]的最优解，则云模型簇C给予对称KL散度形成的的综合云模型M(Ex,En,He)满足：所述第五步中，三支决策的各项阈值α，β，γ计算公式分别如下：所述第六步中，将条件概率Pr(C|[x])定义为将对象x划分到目标概率C的概率，[x]表示对象x所属等价类；分类决策规则如下：(P’)若Pr(C|[x])≥α，则属于该判定类别，是正样本，即x∈POS(C)；(B’)若Pr(C|[x])≤α且Pr(C|[x])≥β，则做出延迟决策，将该图像归类与暂无法识别类，即x∈BND(C)；(N’)若Pr(C|[x])≤β，则是负样本(不属于该判定类别)，即x∈NEG(C)。本专利技术的有益效果是：该计算机视觉图像分类集成学习方法，将采用云综合方法的三支群决策模型落实在计算机视觉图像分类算法中，在判定图像所属类别时，强分类器的效率和识别准确率明显提高，不仅提升了分类的准确性，分布式秉性运算还可以大幅度提高计算机在图像识别问题上的运行效率。...

【技术保护点】
1.一种计算机视觉图像分类集成学习方法，其特征在于：在决策粗糙集模型的三支决策基础上利用群决策模型来确定损失函数，通过最小化分类决策中综合评价和基本评价之间的赋权距离，使用基于密度中心的云综合方法，将多个分类信息转化为云模型；只需要人工设定不同基分类器的权重，利用云模型来确定损失函数，为损失函数提供新的语义解释，并获得计算机视觉分类群决策中最精确的综合评价，通过算法来计算出阈值，即可形成决策规则。/n

【技术特征摘要】
1.一种计算机视觉图像分类集成学习方法，其特征在于：在决策粗糙集模型的三支决策基础上利用群决策模型来确定损失函数，通过最小化分类决策中综合评价和基本评价之间的赋权距离，使用基于密度中心的云综合方法，将多个分类信息转化为云模型；只需要人工设定不同基分类器的权重，利用云模型来确定损失函数，为损失函数提供新的语义解释，并获得计算机视觉分类群决策中最精确的综合评价，通过算法来计算出阈值，即可形成决策规则。


2.根据权利要求1所述的计算机视觉图像分类集成学习方法，其特征在于，将图像分类集成学习方法集成到计算机视觉算法包中，包括以下步骤：
第一步，确定状态集和决策动作集，并构造损失函数矩阵；
其中，状态集表示对象属于集合C或不属于集合C；决策动作集Action＝{aP,aB,aN}分别表示将目标对象x分类到正域POS(C)、边界域BND(C)和负域NEG(C)的决策动作；
从贝叶斯决策的角度上看，对于不同状态进行不同决策会带来6中相应的决策代价，其中，λPP，λBP，λNP分别表示目标概念C中对象采取aP，aB，aN三种决策动作产生的决策代价或损失；λPN，λBN和λNN分别表示目标概念C以外的对象采取aP，aB，aN三种决策动作产生的决策代价或损失；
第二步，人工设定图像分类基分类器及其权重；
基分类器集为E＝{e1,e2,…,et}，权重集为W＝{w1,w2,…,wt}T，其中t是基分类器组中的基分类器数量；
第三步，将所有专家给出的损失函数所作出的不确定性评价转化为云模型，标记为：
λkPP(ExkPP,EnkPP,HekPP)，λkBP(ExkBP,EnkBP,HekBP)，λkNP(ExkNP,EnkNP,HekNP)，λkPN(ExkPN,EnkPN,HekPN)，λkBN(ExkBN,EnkBN,HekBN)，λkNN(ExkNN,EnkNN,HekNN)，其中1≤k≤t，Ex，En和He为云模型的三个数字特征；其中Ex是概念中最具代表性或最典型性样本；En定性概念一种不确定性度量；He描述的是熵(En)的不确定性；
第四步，为减少各个分类器结果的不一致性，将所述云模型表示的损失函数进行综合，得到损失函数的综合评价云模型；
第五步，考虑到云模型的期望反映了最典型的概念外延，因此将损失函数的综合评价云模型的期望代入，求出三支决策的各项阈值α，β，γ；
第六步，形成分类决策规则，对该区域图像是否属于该类别给出判断标准。


3.根据权利要求2所述的计算机视觉图像分类集成学习方法，其特征在于：所述第一步中，6个决策代价或损失满足下列不等式：
λPP≤λBP<λNP(1)
λNN≤λBN<λPN(2)
不等式(1)表示对一个属于目标概念C的对象x做出接受决策的损失小于或等于对...

【专利技术属性】
技术研发人员：吴振东，李锐，于治楼，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东;37