一種大數(shù)據(jù)圖像分類方法
【專利摘要】本發(fā)明公開了一種大數(shù)據(jù)圖像分類方法，包括如下步驟：1）收集圖像樣本作為訓(xùn)練集；2）尋找大數(shù)據(jù)圖像分類最優(yōu)的投影矩陣；3）對無標(biāo)注數(shù)據(jù)進(jìn)行投影；4）對投影后的樣本采用最小距離分類器分類。利用本發(fā)明提出的方法能夠有效利用樣本分布的局部幾何信息，并提取分類的鑒別信息，減少大數(shù)據(jù)圖像分類對人工標(biāo)注樣本的依賴，有效減少訓(xùn)練過程中的存儲成本，其分類準(zhǔn)確度高于有代表性的基于線性判別分析的圖像分類方法。
【專利說明】一種大數(shù)據(jù)圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種模式識別與人工智能【技術(shù)領(lǐng)域】中的圖像分類技術(shù)，特別涉及一種大數(shù)據(jù)圖像分類方法，該方法是一種監(jiān)督學(xué)習(xí)圖像分類的方法。
【背景技術(shù)】
[0002]隨著移動互聯(lián)網(wǎng)的迅速發(fā)展，帶有數(shù)字?jǐn)z像頭智能手機(jī)、平板電腦越來越多的進(jìn)入人們的生活，很容易產(chǎn)生大量的個人數(shù)字圖像。雖然利用時間和目錄對圖像進(jìn)行管理是一種常見的方法，但是缺乏語義層面對圖片進(jìn)行有效的管理。因此利用監(jiān)督學(xué)習(xí)方法，通過學(xué)習(xí)人工標(biāo)注數(shù)據(jù)，以獲得圖像分類模型，然后對沒有標(biāo)注的圖像進(jìn)行自動圖像分類。由于圖像通常的特征維數(shù)非常高，因此降維方法有助于識別性能的提高。
[0003]傳統(tǒng)的全局線性降維的方法主要是基于線性的，其中線性判別分析被廣泛地應(yīng)用在模式分類問題上。線性判別分析法主要通過最大化類間距離的同時使類內(nèi)樣本間距離最小，從而實(shí)現(xiàn)不同類別之間的可分性。但是，大數(shù)據(jù)圖像分類面臨著類別數(shù)巨大，需要分類的樣本數(shù)量巨大等困難。線性判別分析對于大數(shù)據(jù)而言，使用成本是比較高的，為了獲得一定的分類性能，它需要人工大量的標(biāo)注樣本。這使得圖像分類軟件開發(fā)成本大量增加，需要人工大量的標(biāo)注樣本。
[0004]因此，尋找一個需要標(biāo)注少量樣本即可得到滿足要求的自動圖像分類方法是非常必要的。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種大數(shù)據(jù)圖像分類方法，該方法只需要少量人工標(biāo)注樣本。
[0006]本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn):一種大數(shù)據(jù)圖像分類方法，具體實(shí)現(xiàn)方式:
[0007]I)收集圖像樣本作為訓(xùn)練集X，即Χ=[χι，χ2，…，xN] e Rdxn，樣本維數(shù)為D，樣本數(shù)量為N，每個樣本有相應(yīng)的類別標(biāo)志Ci e Z0
[0008]2)建立局部優(yōu)化目標(biāo)函數(shù):
[0009]對每一個已標(biāo)注的樣本Xi,我們可以找到類內(nèi)樣本勺，…，的Ic1近鄰和類間樣本
的 k2 近鄰來形成一個局部塊，即 A =|Λ,.Χ;,,....Χ;(—,?+1)。另
外，我們定義Ru為第j個樣本相對第i個樣本里的位置順序。我們希望每個局部塊的新的低維空間表達(dá)，即:X 二^，々，…A，％，...，' ] e Rrfx(W)，滿足類間樣本距離足夠大同
時類內(nèi)樣本位置順序信息盡可能的保留。
[0010]我們對類間樣本距離建立(I)式:2
[0011]
【權(quán)利要求】
1.一種大數(shù)據(jù)圖像分類方法，包括以下步驟: 1)收集圖像樣本作為訓(xùn)練集X，即:x=[Xl，X2，…，XN] e Rdxn，其中Xl，X2,…，χΝ，代表樣本，D為樣本維數(shù)，N為樣本數(shù)量，每個樣本有相應(yīng)的類標(biāo)志Ci ； 2)尋找大數(shù)據(jù)圖像分類最優(yōu)的投影矩陣U； 3)通過對無標(biāo)注數(shù)據(jù)集Xu進(jìn)行投影，并獲得新的樣本特征集Yu，即=Yu=UtXu； 4)對投影后樣本特征集Yu采用最小距離分類器分類，獲得圖像分類的結(jié)果； 其特征在于，所述尋找大數(shù)據(jù)圖像分類最優(yōu)的投影矩陣，包括以下步驟: 步驟1、建立局部優(yōu)化目標(biāo)函數(shù)； 步驟2、建立全局優(yōu)化目標(biāo)函數(shù)； 步驟3、利用拉格朗日乘數(shù)法:將新的全局優(yōu)化目標(biāo)的問題轉(zhuǎn)換為求廣義特征值α問題，大數(shù)據(jù)圖像分類最優(yōu)的投影矩陣U由式子XLXtCi=X XXt α的前d個最小特征值對應(yīng)的d個特征向量得到。
2.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)圖像分類方法，其特在在于，所述步驟I包括:對每一個已標(biāo)注的樣本xi，找到同類樣本士，…，xA的共Ic1近鄰和不同類別樣本'，...，'的共k2近鄰來形成一個局部塊，即:
3.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)圖像分類方法，其特征在于，所述步驟2包括:通過樣本選擇矩陣，每個局部塊的新的低維空間表達(dá)Yi的坐標(biāo)從訓(xùn)練集低維表達(dá)Y中選擇出來，即^=11?=!^, y2,…yN] e RdXN,所述低維空間表達(dá)Yi的表達(dá)式如下:
【文檔編號】G06F17/30GK103488744SQ201310432630
【公開日】2014年1月1日 申請日期:2013年9月22日 優(yōu)先權(quán)日:2013年9月22日
【發(fā)明者】金連文, 陶大鵬, 王永飛 申請人:華南理工大學(xué)