对小样本图像进行分类的主成分分析网络的训练方法技术

本公开描述了一种对小样本图像进行分类的主成分分析网络的训练方法，包括：向第一层网络输入N幅训练图像，将图像块向量化，将图像块进行拼接，对于N幅训练图像得到矩阵X；基于N幅训练图像得到第一数量的第一类聚类，并获取各个第一聚类的协方差矩阵，得到第一层网络的PCA滤波器，基于第一层网络的PCA滤波器得到第一层输出图像的第cl个滤波器的输出；将第一层输出图像输入至第二层网络，提取第一层输出图像的图像块并进行拼接；基于第一层输出图像得到第二数量的第二类聚类，并得到第二层网络的PCA滤波器，接着对第二层输出图像进行二值化、灰度化处理等得到N幅训练图像的特征。由此，能够准确的对小样本图像进行特征提取以及分类。

Training method of principal component analysis network for small sample image classification

【技术实现步骤摘要】
对小样本图像进行分类的主成分分析网络的训练方法
本公开大体涉及一种对小样本图像进行分类的主成分分析网络的训练方法。
技术介绍
现有的基于人工神经网络对图像的分类方法包括如下四种：(1)基于手工设计的特征提取算子对图像进行特征提取，然后进行分类；(2)采用深度学习方法学得特征提取算子，然后进行分类；(3)采用前向学习方法学得特征提取算子，然后进行分类；(4)采用额外数据和预训练方法，先预训练得到一个深度网络，利用预训练的深度网络提取特征，然后进行分类。上述四类方法，都可以用于小样本图像分类，但是分别都存在一些局限性：(1)基于手工设计特征的方法适用范围有限。某一种手工设计的特征往往适用于某一类图像，例如LBP特征适用于纹理分类的场合。很多情况下需要专家知识重新设计特征，才能用于新的数据。如果直接采用手工设计特征进行小样本分类，则学得的分类器推广性较弱，不能很好地用于小样本图像分类。(2)基于深度学习的方法需要大量样本。由于网络参数数量庞大，如果训练样本数量不足，则很容易过拟合。现有的深度学习方法无法直接用于小样本图像分类。(3)现有的前向网络在小样本学习上表现较好。例如PCANet可以直接用于单样本人脸识别，且不需要额外数据。但是PCANet在复杂数据的小样本图像分类问题上表现不佳，其提取的特征有待进一步改进。(4)预训练方法适用范围有限。预训练方法必须利用额外数据，并且额外数据和已有数据必须相似，且任务必须相关。同时满足这些条件往往比较困难。例如在人脸欺诈检测中，需要判断人脸图像是真实人脸还是照片。该任务与通常的人脸识别任务不同，如果采用人脸识别的数据进行迁移，则效果不好，也即人脸识别数据无法直接用于人脸欺诈检测任务中。
技术实现思路
本专利技术有鉴于上述现有的状况，其目的在于提供一种能够准确地对小样本图像进行分类的训练方法。为此，本公开提供一种对小样本图像进行分类的主成分分析网络的训练方法，所述主成分分析网络包括第一层网络和与所述第一层网络连接的第二层网络，其特征在于，包括：向所述第一层网络输入N幅训练图像对第i幅图像，提取预定大小为k1×k2的图像块，并将所述图像块向量化得到xi,1,xi,2,…,xi,m'n'，将所述图像块进行拼接得到Xi＝[xi,1,xi,2,…,xi,m'n']，对于所述N幅训练图像得到矩阵X＝[X1,X2,…,XN]；基于所述N幅训练图像得到第一数量的第一类聚类并获取各个所述第一类聚类的协方差矩阵：计算所述第一类聚类的协方差矩阵的前L1个特征向量，得到所述第一层网络的PCA滤波器：l＝1,2,...L1,c＝1,2,...,C1，基于所述第一层网络的PCA滤波器得到第一层输出图像的第cl个滤波器的输出i＝1,2,...N；将所述第一层输出图像输入至第二层网络，提取所述第一层输出图像的第cl个滤波器的图像块并进行拼接得到提取所述第一层输出图像的所有滤波器的图像块并进行拼接得到矩阵基于所述第一层输出图像得到第二数量的第二类聚类并获取各个所述第二类聚类的协方差矩阵：计算所述第二类聚类的协方差矩阵的前L2个特征向量，得到所述第二层网络的PCA滤波器：k＝1,2,...L2,u＝1,2,...,C2，基于所述第二层网络的PCA滤波器得到第二层输出图像第cul个滤波器的输出c＝1,2,...C1,u＝1,2,...C2,l＝1,2,...,L1；并且将第二层输出图像二值化得到将L2个所述第二层输出图像进行加权求和得到输出图像接着将各个所述输出图像分别分为B个图像块，计算每个图像块的灰度直方图，并将各个所述输出图像的图像块的所述灰度直方图进行拼接得到将所述输出图像的直方图进行拼接，得到所述N幅训练图像的特征其中，m'n'为第i幅图像中提取的总图像块数，C1表示所述第一层网络中的第一数量，C2表示所述第二层网络中的第二数量，表示的转置，“*”表示卷积，函数H(·)表示单位阶跃函数，非负数取值为1，负数取值为0。在本公开中，通过向第一层网络输入N幅训练图像，并对N幅训练图像中的图像块进行聚类以得到第一聚类，并计算第一聚类的协方差矩阵的特征向量得到第一层网络的PCA滤波器，并对N幅训练图像和第一层网络的PCA滤波器进行卷积得到第一层输出图像；接着将第一层输出图像输入第二层网络，并根据第二层网络对第一层输出图像中的图像块进行聚类以得到第二聚类，并计算第二聚类的协方差矩阵的特征向量得到第二层网络的PCA滤波器，并对第一层输出图像和第二层网络的PCA滤波器进行卷积得到第二层输出图像，接着对第二层输出图像进行二值化、灰度化处理等得到N幅训练图像的特征。由此，能够准确地对N幅训练图像进行特征提取以及分类。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，所述第一聚类的所述第一数量和/或所述第二聚类的所述第二数量由人工输入。由此，能够方便地得到第一数量和第二数量。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，根据所述矩阵X中的图像块的特性自动确认所述第一数量；根据所述矩阵Y中的图像块的特性自动确认所述第二数量。由此，能够准确地得到第一数量和第二数量。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，所述自动确认的方法为：预选聚类个数为Kmax，从所述矩阵X或所述矩阵Y中随机选择预定数量的向量用于初始化Kmax个聚类中每一聚类的均值并表示为μj，j＝1,...,Kmax，将输入聚类个数Kt初始化为所述聚类个数Kmax；并采用欧氏距离判定每一样本xn的类别，若所述均值μj中的某一均值μk与所述样本xn的距离相比其他均值与所述样本xn的距离更近，则将所述样本xn的类别判定为属于第k个聚类，即计算得第k个聚类的样本数量第k个聚类的均值向量以及第k个聚类的协方差矩阵协方差矩阵的基于范数的矩阵条件数所有聚类的协方差矩阵的最大条件数Cmax＝max{Ck,k＝1,...,Kt}，最小条件数Cmin＝min{Ck，k＝1,...,Kt}；预设第一阈值C0，若所述最大条件数Cmax＞C0，则删除具有所述最大条件数的聚类，并将所述聚类分配到第k个聚类外的其他聚类中，预设阈值R0，如果Cmax/Cmin＞R0，则删除具有所述最大条件数的聚类。由此，能够准确地得到第一聚类数量和第二聚类数量。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，所述样本xn为所述矩阵X或所述矩阵Y中提取的图像块。由此，能够方便地得到矩阵X或矩阵Y中的样本xn。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，所述输入聚类个数Kt还包括没有任何所述样本的空聚类，实际聚类数量为所述输入聚类个数Kt减去所述空聚类的数量。由此，能够准确地得到实际聚类数量。另外，在本公开所涉及的对小样本图像进行分类的主成分分析网络的训练方法中，可选地，还包括得到至少为两层的所述主成分分析网络。由此，能够得到一个更深的主成分分析网络。根据本公开，本文档来自技高网...

【技术保护点】
1.一种对小样本图像进行分类的主成分分析网络的训练方法，所述主成分分析网络包括第一层网络和与所述第一层网络连接的第二层网络，其特征在于，/n包括：/n向所述第一层网络输入N幅训练图像

【技术特征摘要】
1.一种对小样本图像进行分类的主成分分析网络的训练方法，所述主成分分析网络包括第一层网络和与所述第一层网络连接的第二层网络，其特征在于，
包括：
向所述第一层网络输入N幅训练图像对第i幅图像，提取预定大小为k1×k2的图像块，并将所述图像块向量化得到xi,1,xi,2,…,xi,m'n'，将所述图像块进行拼接得到Xi＝[xi,1,xi,2,…,xi,m'n']，对于所述N幅训练图像得到矩阵X＝[X1,X2,…,XN]；
基于所述N幅训练图像得到第一数量的第一类聚类并获取各个所述第一类聚类的协方差矩阵：计算所述第一类聚类的协方差矩阵的前L1个特征向量，得到所述第一层网络的PCA滤波器：基于所述第一层网络的PCA滤波器得到第一层输出图像的第cl个滤波器的输出
将所述第一层输出图像输入至第二层网络，提取所述第一层输出图像的第cl个滤波器的图像块并进行拼接得到提取所述第一层输出图像的所有滤波器的图像块并进行拼接得到矩阵
基于所述第一层输出图像得到第二数量的第二类聚类并获取各个所述第二类聚类的协方差矩阵：计算所述第二类聚类的协方差矩阵的前L2个特征向量，得到所述第二层网络的PCA滤波器：基于所述第二层网络的PCA滤波器得到第二层输出图像第cul个滤波器的输出并且
将第二层输出图像二值化得到将L2个所述第二层输出图像进行加权求和得到输出图像接着将各个所述输出图像分别分为B个图像块，计算每个图像块的灰度直方图，并将各个所述输出图像的图像块的所述灰度直方图进行拼接得到Bhist(Ticul)，将所述输出图像的直方图进行拼接，得到所述N幅训练图像的特征
其中，m'n'为第i幅图像中提取的总图像块数，C1表示所述第一层网络中的第一数量，C2表示所述第二层网络中的第二数量，表示的转置，“*”表示卷积，函数H(·)表示单位阶跃函数，函数的变量为非负数时取值为1，为负数时取值为0。


2.如权利要求1所...

【专利技术属性】
技术研发人员：陈昌盛，宋昱，黄继武，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44