基于特征谱正则化的逆近邻线性判别分析方法及装置制造方法及图纸

本发明专利技术公开了一种基于特征谱正则化的逆近邻线性判别分析方法及装置，包括，获取已分类的训练图像集合；根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；根据新的训练图像集合特征计算总体散度矩阵。在逆近邻线性判别分析方法的基础上加入了特征谱正则化技术,从而避免普通线性判别分析中由于训练样本过少而导致的类内散度矩阵奇异,难以使用特征分解求取最优投影矩阵的问题。难以使用特征分解求取最优投影矩阵的问题。难以使用特征分解求取最优投影矩阵的问题。

【技术实现步骤摘要】
基于特征谱正则化的逆近邻线性判别分析方法及装置


[0001]本专利技术涉及计算机领域，尤其是涉及一种基于特征谱正则化的逆近邻线性判别分析方法及装置。

技术介绍

[0002]在使用LDA求解问题时候，当训练样本的数量非常少，而单个样本的维度过高，常常会造成类内散度矩阵不可逆[1]，也就是该矩阵是奇异的时候，LDA将难以求取最优解。这个问题也常被称为小样本量(SSS)问题[2]。在ccLDA[1]中，用簇内散度矩阵和簇间散度矩阵对类内散度矩阵和类间散度矩阵进行正则化，以解决SSS问题，但该方法适用于只有少量训练样本的情况。
[0003][1]Yanwei Pang,Shuang Wang,and Yuan Yuan.Learning regularized lda by clustering.IEEE transactions on neural networks and learning systems,25(12):2191
–
2201,2014.
[0004][2]Xudong Jiang,Bappaditya Mandal,and Alex Kot.Eigenfeature regularization and extraction in face recognition.IEEE Transactions on Pattern Analysis and Machine Intelligence,30(3):383
–
394,2008.

技术实现思路
r/>[0005]本专利技术的目的在于提供一种基于特征谱正则化的逆近邻线性判别分析方法及装置，旨在解决基于特征谱正则化的逆近邻线性判别分析方法及装置。
[0006]本专利技术提供一种基于特征谱正则化的逆近邻线性判别分析方法，包括：
[0007]S1、获取已分类的训练图像集合；
[0008]S2、根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；
[0009]S3、对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；
[0010]S4、根据新的训练图像集合特征计算总体散度矩阵；
[0011]S5、对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；
[0012]S6、根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；
[0013]S7、输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。
[0014]本专利技术还提供一种基于特征谱正则化的逆近邻线性判别分析装置，包括：
[0015]获取模块，用于获取已分类的训练图像集合；
[0016]计算分解模块，用于根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；
[0017]加权模块，用于对邻内散度矩阵的特征值进行正则化，形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；
[0018]计算模块，用于根据新的训练图像集合特征计算总体散度矩阵；
[0019]降维模块，用于对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；
[0020]投影模块，用于根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；
[0021]分类模块，用于输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。
[0022]计算分解模块具体用于：
[0023]根据训练图像集合计算邻内散度矩阵，公式如下：
[0024][0025]其中，p代表的是类的数量，q
i
是第i个类的数量，|RNN
k
(x
ij
,X
i
)|≥t指的是属于i这个类的图像x
ij
的逆近邻数量要大于等于t，x
iv
∈RNN
k
(x
ij
,X
i
)指的是图像x
iv
属于i这个类的图像x
ij
的逆近邻，而|RNN
k
(x
ij
,X
i
)|代表的是属于i这个类的图像x
ij
的逆邻的数量；
[0026]然后对进行特征分解得到的特征向量和特征值[λ1,λ2,
…
,λ
r
,
…
,λ
D
]，特征向量按照特征值的降序进行排列，r为邻内散度矩阵的秩，D为图像的维度。
[0027]加权模块具体用于：通过ERE、CDEFE和DVPE模型对邻内散度矩阵的特征值进行正则化形成多个加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合的每个图像的像素值进行投影得到新的图像特征。
[0028]计算模块具体用于：
[0029]根据新的训练图像集合像素值计算总体散度矩阵，公式如下：
[0030][0031]其中，c
i
＝1/p，＝1/p，代表了新的图像特征集合的总体均值。
[0032]本专利技术实施例还提供一种基于特征谱正则化的逆近邻线性判别分析方法，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
[0033]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
[0034]采用本专利技术实施例，在逆近邻线性判别分析(nLDA)方法的基础上加入了特征谱正则化技术,,从而避免普通线性判别分析中由于训练样本过少而导致的类内散度矩阵奇异,难以使用特征分解求取最优投影矩阵的问题。
[0035]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0036]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征谱正则化的逆近邻线性判别分析方法，其特征在于，包括，S1、获取已分类的训练图像集合；S2、根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；S3、对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；S4、根据新的训练图像集合特征计算总体散度矩阵；S5、对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；S6、根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；S7、输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：根据训练图像集合计算邻内散度矩阵，公式如下：其中，p代表的是类的数量，q
i
是第i个类的数量，|RNN
k
(x
ij
,X
i
)|≥t指的是属于i这个类的图像x
ij
的逆近邻数量要大于等于t，x
iv
∈RNN
k
(x
ij
,X
i
)指的是图像x
iv
属于i这个类的图像x
ij
的逆近邻，而|RNN
k
(x
ij
,X
i
)|代表的是属于i这个类的图像x
ij
的逆邻的数量；然后对进行特征分解得到的特征向量和特征值[λ1,λ2,
…
,λ
r
,
…
,λ
D
]，特征向量按照特征值的降序进行排列，r为邻内散度矩阵的秩，D为图像的维度。3.根据权利要求2所述的方法，其特征在于，所述S3具体包括：通过ERE、CDEFE和DVPE模型对邻内散度矩阵的特征值进行正则化形成多个加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合的每个图像的像素值进行投影得到新的图像特征。4.根据权利要求3所述的方法，其特征在于，所述S4具体包括：根据新的训练图像集合特征计算总体散度矩阵，公式如下：
其中，c
i
＝1/p，＝1/p，代表了新的图像特征集合的总体均值。5.一种基于特征谱正则化的逆近邻线性判别分析装置，其特征在于，包括，获取模块，用于获取已分类的训练图像集合；计算分解模块，用于根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；加权模块，用于对邻内散度矩阵的特征值进行正则化，形成多种加权函...

【专利技术属性】
技术研发人员：谭恒良，谢铭，李旺旺，冯健维，杜娇，杨朔，颜国风，
申请(专利权)人：广州大学，
类型：发明
国别省市：