【技术实现步骤摘要】
一种人脸图像重构方法、系统及数据降维方法
[0001]本专利技术涉及数据及图像处理
,特别是涉及一种人脸图像重构方法、系统及数据降维方法。
技术介绍
[0002]随着生物科学和信息技术的飞速发展,数据挖掘、机器学习、计算机视觉和生物信息学等领域的数据维数呈爆炸式增长。如果直接使用这些高维数据,学习任务中不重要的数据特征会导致计算复杂度的增加和学习任务性能的严重下降,还会干扰算法对数据本质结构的提取。实际上,并不是数据的所有特征都与学习任务有关或对学习任务有重要影响,很多特征往往是不相关、冗余的,有些甚至是噪声特征。因此如何对高维数据进行有针对的预处理成为一个重要的研究领域。
[0003]对高维数据的处理方式通常是创造一个能够反映数据本质结构的低维结构,在该思路下有两个不同的研究方向,分别是特征选择和特征提取(子空间学习)。特征提取是将原始数据映射到低维空间,该低维空间能够反映数据的本质结构特征。特征提取不是简单直接选取原始数据的特征形成新的特征子集,而是按照一定策略对数据进行空间变换所得到的,因此在良好的变换策略下,特征提取方法能够保证降维质量的同时,提取出数据的低维流行结构,有效排除噪声和离群点的影响。
[0004]而特征选择是从原始特征集中选择相关特征子集的过程。特征选择根据是否利用数据的标签信息,分为有监督特征选择和无监督特征选择两种方法。有监督特征选择利用数据带有的标签信息引导模型优化的方向,选择能够代表数据的特征子集。有监督特征选择通常先进行模型训练以优化参数,再测试模型。由于数据标签 ...
【技术保护点】
【技术特征摘要】
1.一种人脸图像重构方法,其特征在于,所述方法包括:步骤S1:将原始图像数据切割成样本向量X;步骤S2:初始化重构变换矩阵W为单位矩阵,变换矩阵Q为单位矩阵,特征值回归系数矩阵A为单位矩阵,坐标基B为单位矩阵,编码矩阵E为单位矩阵;步骤S3:基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P;步骤S4:利用权重矩阵P更新坐标基B、编码矩阵E、新变换矩阵Q和重构变换矩阵W;步骤S5:判断是否满足终止条件;如果满足终止条件,则执行“步骤S6”;如果不满足终止条件,则返回“步骤S3”;步骤S6:将更新后的重构变换矩阵中各特征向量进行排序,选取前d个最大特征向量构建最优特征子集W
′
;d为大于或等于1的正整数;步骤S7:利用最优特征子集W
′
对待测试样本图像进行图像去噪以及人脸重构,获得人脸图像。2.根据权利要求1所述的人脸图像重构方法,其特征在于,所述终止条件包括:迭代次数达到设定次数;或相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值。3.根据权利要求1所述的人脸图像重构方法,其特征在于,所述基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P,具体包括:步骤S31:采用数据自表示方法,基于样本向量X、重构变换矩阵W、变换矩阵Q和特征值回归系数矩阵A计算最小化的重构误差矩阵G;G=[g1,g2,
…
g
n
]
T
,g
n
表示第n个样本的重构误差;或步骤S31:采用垂直基聚类特征选择方法,基于样本向量X、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算最小化的重构误差矩阵G;步骤S32:根据计算权重矩阵P;其中,P=[p1,p2,
…
p
n
]
T
,p
n
表示第n个重构误差对应的权重,(
·
)
+
表示max(
·
,0),c表示激活样本个数,i=1,2,
…
n。4.根据权利要求3所述的人脸图像重构方法,其特征在于,所述采用数据自表示方法,基于样本向量X、重构变换矩阵W、变换矩阵Q和特征值回归系数矩阵A计算最小化的重构误差矩阵G,具体包括:步骤S311:根据计算中心向量矩阵v;其中,运算符表示克罗内克积;1表示全为1的列向量,I表示单位矩阵,P表示示重构误差矩阵,vec()表示按列对矩阵进行向量化,v表示中心向量矩阵,X表示样本向量;
步骤S312:基于所述中心向量矩阵v对所述样本向量X去中心化,得到去中心化之后的矩阵M;步骤S313:通过计算最小化的重构误差矩阵G。5.根据权利要求3所述的人脸图像重构方法,其特征在于,所述采用垂直基聚类特征选择方法,基于样本向量X、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算最小化的重构误差矩阵G,具体为:根据计算最小化的重构误差矩阵G。6.一种人脸图像重构系统,其特征在于,所述系统包括:图像切割模块,用于将原始图像数据切割成样本向量X;初始化模块,用于初始化重构变换矩阵W为单位矩阵,变换矩阵Q为单位矩阵,特征值回归系数矩阵A为单位矩阵,坐标基B为单位矩阵,编码矩阵E为单位矩阵;权重矩阵P计算模块,用于基于样本向量X、重构变换矩阵W、变换矩阵Q、特征值回归系数矩阵A、坐标基B和编码矩阵E计算权重矩阵P;...
【专利技术属性】
技术研发人员:高云龙,李辉堆,李子琦,陈彦光,林昊,潘金艳,
申请(专利权)人:厦门大学,
类型:发明
国别省市:
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。