本发明专利技术公开了一种基于约束自适应传递的半监督图像分类方法，主要解决现有半监督图像分类方法的分类精度低，存在信息缺陷，运行时间不稳定的问题。其实现步骤是：(1)输入待分类的图像和对式约束集合；(2)构造最近邻集合；(3)构造相似度矩阵；(4)构造拉普拉斯矩阵；(5)构造对式约束权值矩阵；(6)解半正定规划；(7)聚类并输出结果。本发明专利技术具有分类精度较高，运行时间稳定的优点，有效的克服了现有半监督图像分类方法存在的核矩阵信息缺陷问题。
【技术实现步骤摘要】
本专利技术属于图像处理领域，更进一步涉及机器学习领域的。本专利技术是利用图像中已知的约束信息，通过核学习的方法将约束信息传递至整个图像集，提高图像分类的精度。可适用于商业、医学、军事等各大领域的图像分类，提高图像处理的精度和效率。
技术介绍
数字图像是指以数字形式记录的图像信息。随着计算机科学技术和网络技术的发展，数字图像的数量正在以惊人的速度急剧增长，并且在人们日常生活中发挥着日益重要的作用。为了更好的处理和利用海量数字图像中包含的信息，需要对数字图像进行合理的分类。完全依靠人工对图像进行分类是不可能的，基于内容的数字图像分类技术应运而生。 图像分类技术广泛应用于商业、医学、军事等各大领域，其中，对彩色图像进行分类可以应用于民用或者商业的网络搜索引擎，图像分类存储以及图像检索等，对遥感图像进行分类可以用于军事等重要领域。因其基础性和重要性，图像分类一直是图像处理领域一个热门研究方向。现有的图像分类方法根据先验知识的不同主要分为有监督分类方法，半监督分类和无监督方法，半监督图像分类方法是近几年提出的一种新的分类方法，半监督图像分类方法只需要少量的先验知识，因而在适应度上优于有监督分类方法，在分类精度上优于无监督分类方法。武汉大学提出的专利申请“基于主动学习和半监督学习的多类图像分类方法”(申请号201010184378. 3，公开号CN101853400A)公开了一种基于主动学习和半监督学习的多类图像分类方法。该方法首先利用人工分配少量标签，然后训练SVM分类器模型，再进行 BvSB主动学习样本选择、CST半监督学习，更新分类器。该方法的不足之处是需要人工进行标签分配，过程比较复杂，多次迭代训练SVM分类器模型，时间复杂度高。Z.Li, J. Liu, 禾口 X. Tang 在文 章"Pairwise constraint propagation by semidefinite programming for semi-supervised classification"(in Proceedings of International Conference on Machine Learning, 2008, pp. 576-583)巾 出白勺)(寸传递法(PCP)，该方法在构造半正定规划时将相连对式约束投影为1，将不相连对式约束投影为0，再通过解半正定规划将约束信息传递到整个核空间。该方法的不足之处是分类的精度不高，容易产生信息缺陷问题，时间复杂度较大，且随着约束数量的增多时间复杂度增大。E. Hu, S. Chen, D. Zhang,禾口 X.Yin 在文章 “Semisupervised kernel matrix learning by kernel propagation，，(IEEE Transactions on Neural Networks, vol. 21, no. 11,pp. 1831-1841,2010)提出核传递法(KP)。该方法对对式约束传递法进行改进，提出先求取子核矩阵，再将子核矩阵传递到整个核矩阵。该方法的不足之处是分类的精度和对式约束传递法相差不大，信息缺陷问题仍然存在，虽然时间复杂度比约束传递法低，但是仍然随着对式约束数量增大而增加。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提出一种，以提高分类的精度，克服信息缺陷问题，减少时间复杂度使分类所需的时间保持稳定。实现本专利技术的技术思路是，通过构造半正定规划将待分类图像映射到核空间，在构造半正定规划中引入两个自适应逼近项，使得约束信息能够更加优化的传递到整个核空间，达到提高图像分类精度的目的。为实现上述目的，本专利技术包括如下主要步骤(1)分别输入待分类的图像集合、相连对式约束集合、不相连对式约束集合、类别数。(2)构造最近邻集合2a)计算每个图像与其他图像间的欧式距离；2b)寻找与每个图像距离最近的k个图像构成最近邻集合。(3)构造相似度矩阵3a)利用尺度参数公式计算每个图像的尺度参数；3b)利用相似度公式计算相似度矩阵。(4)构造拉普拉斯矩阵。(5)构造对式约束权值矩阵利用下面两式分别构造相连对式约束权值矩阵和不相连对式约束权值矩阵 _9] Em=E (i,J)eM(ei-ej) (ei_ej)TEc=E (i,j)ec(ei-ej) (ei-ej)T其中，分别表示相连对式约束权值矩阵和不相连对式权值矩阵，M表示相连对式约束集，C表示不相连对式约束集，(i，j) e M表示第i个图像与第j个图像属于相连对式约束集，(i，j) e C表示第i个图像与第j个图像属于不相连对式约束集，e,和ej分别表示nXn的单位矩阵的第i列和第j列，η表示待分类图像数目，(.)τ表示求转置运算。(6)利用解半正定规划工具kDuMi，解如下半正定规划得到优化核矩阵权利要求1.一种，包括如下步骤(1)分别输入待分类的图像集合、相连对式约束集合、不相连对式约束集合、类别数；(2)构造最近邻集合2a)计算每个图像与其他图像间的欧式距离；2b)寻找与每个图像距离最近的k个图像构成最近邻集合；(3)构造相似度矩阵3a)利用尺度参数公式计算每个图像的尺度参数；3b)利用相似度公式计算相似度矩阵；(4)构造拉普拉斯矩阵；(5)构造对式约束权值矩阵利用下面两式分别构造相连对式约束权值矩阵和不相连对式约束权值矩阵Em —Σ (i, j) e M (6i~6j) (ei_ej)Ec = Σ (i,j) ec(ei-ej) (ej-ej)1其中，&和&分别表示相连对式约束权值矩阵和不相连对式权值矩阵，M表示相连对式约束集，C表示不相连对式约束集，(i，j) e M表示第i个图像与第j个图像属于相连对式约束集，(i，j) e C表示第i个图像与第j个图像属于不相连对式约束集，e,和ej分别表示nXn的单位矩阵的第i列和第j列，η表示待分类图像数目，(.)τ表示求转置运算；(6)利用解半正定规划工具kDuMi，解如下半正定规划得到优化核矩阵 min Tr(LZ) + aTr{EMZ) - βΤτ{Ε€Ζ)s. t. Zii = 1, (i = 1,2,…，η)其中，min表示最小值，Z表示核矩阵，Tr(·)表示迹操作，L表示拉普拉斯矩阵，α和 β为两个权值参数，其取值范围为W. 2，1. 5]，分别表示相连对式约束权值矩阵和不相连对式权值矩阵，s. t.表示约束，Zii表示核矩阵的第i个对角元素，η表示待分类图像数目；(7)利用K-means聚类工具，将优化核矩阵的各行聚为输入的类别数。2.根据权利要求1所述的，其特征在于 步骤2a)所述的欧式距离，根据如下公式来计算得到dij = 11 Xi-Xj 112其中，Clij表示第i个图像与第j个图像的欧式距离，Xi和\分别表示第i个图像和第 j个图像的像素值，11. 112表示二范数。3.根据权利要求1所述的，其特征在于 步骤3a)所述的尺度参数根据如下公式计算得到其中，σ i表示第i个图像的尺度参数，k为图像的最近邻数目，其取值范围为7到10 之间的整数，\表示第j个图像的像素值，Nk(Xi)为步骤( 所得的第i个图像的k个最近邻图像的集合，II. I I2表示二范数，Xi表示第i个本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：郑喆坤，焦李成，沈彦波，刘娟，侯彪，王爽，张向荣，公茂果，
申请(专利权)人：西安电子科技大学，
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。