本發(fā)明涉及的是一種圖像分類的方法，具體可以應(yīng)用到各種需要圖像分類的場景中。

背景技術(shù)：

稀疏濾波技術(shù)，是指通過約束信號重構(gòu)系數(shù)矢量中非零系數(shù)的個(gè)數(shù)，達(dá)到優(yōu)化特征表達(dá)，提高計(jì)算速度的效果，此外，稀疏濾波可以對信號產(chǎn)生壓縮效果，以此節(jié)約存儲(chǔ)和傳輸空間。

稀疏濾波應(yīng)用到圖像分類中，就是用圖像信號的稀疏特征系數(shù)代替圖像本身作為分類的信號樣本。對于基于稀疏濾波的圖像分類技術(shù)來說，常用做法是采用矩陣分解技術(shù)，通過將原始圖像像素矩陣X分解為兩個(gè)矩陣U和A的乘積，其中，矩陣U為基矩陣，控制圖像特征由高維向低維轉(zhuǎn)化，矩陣A為稀疏系數(shù)矩陣，其中每一列系數(shù)矢量中，存在極少數(shù)的非零元素，訓(xùn)練稀疏模型時(shí)，采用L-1范數(shù)約束稀疏系數(shù)矩陣A的稀疏度，分類時(shí)，使用圖像信號的稀疏系數(shù)矩陣作為分類器的輸入，分類圖像。這種方式的缺點(diǎn)在于：一，對矩陣A做L-1范數(shù)稀疏度約束，容易使學(xué)習(xí)到的模型產(chǎn)生過擬合，影響分類的效果，甚至，嚴(yán)重時(shí)會(huì)產(chǎn)生錯(cuò)誤分類，在分類結(jié)果與安全因素相關(guān)時(shí)，會(huì)導(dǎo)致嚴(yán)重的安全災(zāi)難；二，如果對矩陣U做過擬合懲罰，則增加了優(yōu)化項(xiàng)，使優(yōu)化過程復(fù)雜化，需要昂貴的計(jì)算資源。

圖像的幅頻特征，是指將圖像信號或者可以代表圖像信號的特征信號作為二維信號進(jìn)行調(diào)和分析，使用諸如離散傅里葉變換，Z變換，小波變換，希爾伯特-黃變換等手段，獲取到的圖像數(shù)據(jù)在頻率域的特征，是信號幅度與信號頻率之間的關(guān)系。利用圖像的幅頻特征進(jìn)行稀疏濾波，可以在利用圖像信號的頻率特性建立濾波模型，避免直接對矩陣A和矩陣U做約束，從而有效地避免了過擬合和優(yōu)化過程的復(fù)雜化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于幅頻特征稀疏濾波的圖像分類技術(shù)，利用圖像信號的幅頻特征建立稀疏濾波模型；利用稀疏特征矩陣進(jìn)行圖像分類。

本發(fā)明技術(shù)方案為：

一種基于幅頻特征稀疏濾波的圖像分類方法，包括以下步驟：

1)訓(xùn)練數(shù)據(jù)獲取階段，獲取待分類圖像數(shù)據(jù)的一個(gè)子集，格式化為統(tǒng)一維度的圖像數(shù)據(jù)矩陣X；

2)初始化階段，生成兩個(gè)隨機(jī)矩陣，分別為維度為f*n的基矩陣U，維度為n*m的稀疏系數(shù)矩陣A；

3)變換階段，對矩陣A或圖像數(shù)據(jù)矩陣X進(jìn)行調(diào)和變換，獲得幅頻特征矩陣F；

4)優(yōu)化建立階段，通過約束原始矩陣X與重構(gòu)矩陣Y＝UA的能量差最小，以及幅頻特征矩陣F的能量最大，選取一種優(yōu)化算法，執(zhí)行迭代優(yōu)化，例如，可以選取梯度下降算法；

5)優(yōu)化迭代階段，重復(fù)執(zhí)行4，直到目標(biāo)函數(shù)值達(dá)到預(yù)期的目標(biāo)或者迭代次數(shù)達(dá)到預(yù)先設(shè)定的最大值；

6)生成階段，用基矩陣U和新的待分類圖像矩陣Z，生成矩陣Z的稀疏系數(shù)矩陣B；

7)分類階段，選擇一種分類器，矩陣B作為分類器輸入，獲取分類結(jié)果。

本發(fā)明的有益效果為：一種基于幅頻特征稀疏濾波的圖像分類技術(shù)具有非常廣泛和實(shí)用的應(yīng)用場景，比如，在生產(chǎn)環(huán)境中，由于傳感器采集到的圖像數(shù)據(jù)都是帶有隨機(jī)噪聲和自然背景的圖像數(shù)據(jù)，這些數(shù)據(jù)會(huì)放大L-1范數(shù)稀疏度約束的過擬合效果，嚴(yán)重干擾圖像分類結(jié)果?；诜l特征的稀疏濾波方法，通過在頻域建立稀疏濾波模型，有效避免了直接約束稀疏系數(shù)矩陣帶來的過擬合問題，并且通過減少優(yōu)化項(xiàng)，提高了優(yōu)化效率，不但節(jié)省了計(jì)算資源，而且提高了分類器的分類精度，因此，具有廣闊的應(yīng)用前景。

附圖說明

圖1(a)為稀疏度為α的矩陣A的圖像；

圖1(b)為圖1(a)中矩陣A的幅頻特征矩陣F的圖像；

圖2(a)為稀疏度為β的矩陣A的圖像；

圖2(b)為圖2(a)中矩陣A的幅頻特征矩陣F的圖像

圖3(a)為稀疏度為γ的矩陣A的圖像；

圖3(b)為圖3(a)中矩陣A的幅頻特征矩陣F的圖像

圖中：x，y分別為矩陣A兩個(gè)維度坐標(biāo)；s代表矩陣A的二維信號函數(shù)值；u，v分別為矩陣F的兩個(gè)維度坐標(biāo)；稀疏度α<β<γ。

具體實(shí)施方式

下面結(jié)合附圖和技術(shù)方案詳細(xì)說明本發(fā)明。

第一步，訓(xùn)練數(shù)據(jù)獲取階段

獲取待分類圖像數(shù)據(jù)之后，選取一個(gè)子集作為訓(xùn)練數(shù)據(jù)，格式化為m*(w*h)維度的圖像數(shù)據(jù)矩陣X；其中，m為樣本數(shù)目，w、h為單個(gè)圖像的長、寬；設(shè)f＝w*h為圖像原始特征空間維度，即待分類圖像中像素點(diǎn)的個(gè)數(shù)；

第二步，初始化階段

設(shè)置稀疏特征數(shù)目為n(n<f)，隨機(jī)生成元素?cái)?shù)值在0～1之間的兩個(gè)二維矩陣，分別為維度為f*n的基矩陣U和維度為n*m的稀疏系數(shù)矩陣A；

第三步，變換階段

對稀疏系數(shù)矩陣A或者圖像數(shù)據(jù)矩陣X進(jìn)行調(diào)和變換，獲得幅頻特征矩陣F；所述的調(diào)和變換的方法包括離散傅里葉變換、快速傅里葉變換、離散余弦變換、Z變換、小波變換或希爾伯特-黃變換等；

假設(shè)采用稀疏系數(shù)矩陣A執(zhí)行離散傅里葉變換，用s(x,y)代表A的二維信號函數(shù)，F(xiàn)(u,v)代表s(x,y)的幅頻特征，則：

其中，u,v代表F的兩個(gè)維度坐標(biāo)，x,y代表A兩個(gè)維度坐標(biāo)，m為樣本數(shù)目，n為稀疏特征數(shù)目。

第四步，優(yōu)化建立階段

將幅頻特征矩陣F的協(xié)方差矩陣的和的L-2范數(shù)的相反數(shù)作為F的能量，記為E(F)；設(shè)幅頻特征矩陣F的第i個(gè)列向量的協(xié)方差矩陣為R(F_i)，則稀疏度約束函數(shù)spi＝λ||X-UA||₂+E(F)。其中，λ為能量約束系數(shù)，一般取0.5；重構(gòu)矩陣Y＝UA為基矩陣U和稀疏系數(shù)矩陣A的乘積；i、j分別表示幅頻特征矩陣F的維度坐標(biāo)。

第五步，優(yōu)化迭代階段

以稀疏度約束函數(shù)為目標(biāo)函數(shù)，根據(jù)約束目標(biāo)函數(shù)中圖像數(shù)據(jù)矩陣X(原始矩陣)與重構(gòu)矩陣Y的能量差最小，以及幅頻特征矩陣F的能量最大，選取梯度下降算法，執(zhí)行迭代優(yōu)化。

所述的梯度下降算法具體為：

目標(biāo)函數(shù)spi對稀疏系數(shù)矩陣A，基矩陣U的梯度更新矩陣函數(shù)分別為：

G_spi/U＝-XA^T+(UA)A^T

設(shè)置迭代次數(shù)，通過以上兩個(gè)梯度更新矩陣，執(zhí)行以spi函數(shù)為目標(biāo)函數(shù)的迭代優(yōu)化，至目標(biāo)函數(shù)值達(dá)到預(yù)期的目標(biāo)或者迭代次數(shù)達(dá)到預(yù)先設(shè)定的最大值，梯度下降算法結(jié)束。

附圖是對迭代優(yōu)化過程中，幅頻特征矩陣與稀疏系數(shù)矩陣變化趨勢的說明，圖1(a)、圖2(a)、圖3(a)為稀疏度遞增的稀疏系數(shù)矩陣A的圖像；圖1(b)、圖2(b)、圖3(b)分別為圖1(a)、圖2(a)、圖3(a)中矩陣A的幅頻特征矩陣F的圖像；隨著圖1(b)、圖2(b)、圖3(b)中幅度偏離中心程度的逐漸變大，相應(yīng)地，圖1(a)，圖2(a)，圖3(a)的稀疏度逐漸變大。

第六步，生成階段

設(shè)新的待分類圖像數(shù)據(jù)矩陣為Z，由第五步得到的基矩陣U和待分類圖像數(shù)據(jù)矩陣Z生成矩陣Z的稀疏系數(shù)矩陣B，即B＝U^-1Z。

第七步，分類階段

將稀疏系數(shù)矩陣B作為分類器的輸入矩陣，執(zhí)行分類。