技術(shù)特征：

1.一種圖像分類中通用的判別性稀疏編碼字典學(xué)習(xí)方法，其特征在于，包括以下步驟：

(1)設(shè)計一種圖像分類中通用的判別性稀疏編碼字典學(xué)習(xí)方法，它獨立于分類器學(xué)習(xí)，并對各種“字典”求解算法具有普適性：

假設(shè)“字典”U＝[U⁺,U^-]，即字典U分為U⁺和U^-兩部分，其中U⁺為正類字典，U^-為負類字典。判別性“字典”的特點是“字典”中的“基”與類別相關(guān)聯(lián)，即U⁺中的“基”總是傾向表達正類特征，而U^-中的“基”總是傾向表達負類特征；因而，可依據(jù)正類樣本的特征集X⁺和負類樣本的特征集X^-的重構(gòu)誤差對U⁺和U^-分別進行學(xué)習(xí)；若V＝(v_ij)為稀疏表示系數(shù)矩陣，其中i＝1,...,k，j＝1,...,n，k和n分別是字典U中“基”的個數(shù)和局部特征的個數(shù)，要使稀疏表達的重構(gòu)誤差最小，可通過優(yōu)化如下目標函數(shù)來分別更新U⁺和U^-：

$\begin{array}{ccc}\underset{U^{+}}{min}\left|\right|X^{+}-U^{+}{\stackrel{\‾}{V}}^{+}|{|}_F^2,& s.t.& \left|\right|u_m^{+}|{|}^2\≤1\end{array}---\left(1\right)$

$\begin{array}{ccc}\underset{U^{-}}{min}\left|\right|X^{-}-U^{-}{\stackrel{\‾}{V}}^{-}|{|}_F^2,& s.t.& \left|\right|u_m^{-}|{|}^2\≤1\end{array}---\left(2\right)$

公式(1)和(2)中的優(yōu)化問題可通過共軛梯度法、Lagrange對偶法或K-SVD算法求解，得到U＝[U⁺,U^-]；而其中的是V的子矩陣，分別與“字典”U⁺和U^-相對應(yīng)和匹配，通過步驟(2)求得，抽取子矩陣和應(yīng)滿足分類表征“損失”小的基本原則，即類間差異性大，而表征損失??；

(2)求解稀疏表示系數(shù)矩陣V中的關(guān)鍵行向量作為公式(1)和(2)中的和

1)將V分解為V＝[V⁺,V^-]，和分別是特征集X⁺和X^-對應(yīng)的稀疏表示系數(shù)矩陣，則可計算：

$a={\[a_1^{+}-a_1^{-},a_2^{+}-a_2^{-},...,a_k^{+}-a_k^{-}\]}^T---\left(3\right)$

其中，它們分別表示字典U中第i個“基”被用來表征正類和負類特征的使用“頻率”；顯然，值越大表示第i個“基”更傾向于表達正類特征，對應(yīng)的稀疏表示系數(shù)項在正類特征的表征中占更大的權(quán)重，應(yīng)被選擇到中，反之，則更傾向于表達負類特征，對應(yīng)的稀疏表示系數(shù)項在負類特征的表征中占更大的權(quán)重，應(yīng)被選擇到

2)按照各個“基”對應(yīng)的元素a_i值由大到小的順序重新排列“基”，則前部分更傾向于表達正類特征，而后部分更傾向于表達負類特征，而按此順序重新排列對應(yīng)V的各行，得到矩陣

3)對進行分割，令

$\tilde{V}=\left[\begin{array}{c}{\stackrel{\‾}{V}}^{+},{\stackrel{\·\·\·}{V}}^{-}\\ {\stackrel{\·\·\·}{V}}^{+},{\stackrel{\‾}{V}}^{-}\end{array}\right],---\left(4\right)$

對于固定大小的特征集X⁺和X^-，對的列分割位置總是不變的，即的列寬度大小分別和X⁺，X^-保持一致。而在不同的行位置分割，可得到不同的和因而，需要查找最優(yōu)分割行，方法是：在列分割位置不變的前提下，針對不同的分割行位置，將公式(4)中的對角矩陣和置換為0矩陣，得到矩陣然后計算中正負特征稀疏表示系數(shù)間的類間距或Fisher判別準則函數(shù)值，以及將和置換為0矩陣后正負特征的表征損失或重構(gòu)誤差來確定最優(yōu)分割行。