本發(fā)明涉及圖像分類領(lǐng)域，具體涉及一種基于顯著性特征的多標(biāo)記圖像分類方法、裝置及可讀介質(zhì)。

背景技術(shù)：

1、隨著信息獲取技術(shù)的發(fā)展，很大比例的應(yīng)用數(shù)據(jù)面臨著一個(gè)共同的問題，即標(biāo)記和高維數(shù)據(jù)的快速增長，高維多標(biāo)記數(shù)據(jù)可能包含許多噪聲和冗余，從而導(dǎo)致計(jì)算效率低下和性能下降?，F(xiàn)有的多標(biāo)記特征選擇方法大致可以分為三大類：過濾式方法、包裝式方法和嵌入式方法。過濾式方法在生成特征子集的過程中不依賴于任何學(xué)習(xí)算法，因此無法選擇較為理想的特征。包裝式方法采用進(jìn)化算法來搜索特征子集，但這種方法迭代次數(shù)通常是上萬次的，計(jì)算時(shí)間的開銷是昂貴的。嵌入式方法同時(shí)結(jié)合學(xué)習(xí)模型去生成特征選擇矩陣，特征選擇矩陣直接決定特征重要性排序。

2、傳統(tǒng)的嵌入式方法存在兩個(gè)問題：一是傳統(tǒng)的嵌入式方法通過構(gòu)造偽標(biāo)記矩陣來擬合原始標(biāo)記空間矩陣，然后利用偽標(biāo)記矩陣挖掘類標(biāo)記之間的相關(guān)性，但得到的標(biāo)記相關(guān)系數(shù)存在一定的偏差，偽標(biāo)記矩陣為了逼近原始標(biāo)記空間矩陣中的邏輯值，會(huì)忽略特征與類標(biāo)記之間的關(guān)聯(lián)度。二是多標(biāo)記數(shù)據(jù)中每個(gè)標(biāo)記的數(shù)據(jù)分布是不平衡的，對于低密度標(biāo)記，其對應(yīng)特征的權(quán)重會(huì)在特征選擇過程中受到影響，現(xiàn)有的基于圖的嵌入方法因其簡單高效而被廣泛研究用于處理標(biāo)記密度不平衡問題，但在高維數(shù)據(jù)上，噪聲信息會(huì)導(dǎo)致圖矩陣構(gòu)建不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于針對上述提到的技術(shù)問題提出一種基于顯著性特征的多標(biāo)記圖像分類方法、裝置及可讀介質(zhì)。

2、第一方面，本發(fā)明提供了一種基于顯著性特征的多標(biāo)記圖像分類方法，包括以下步驟：

3、s1，獲取若干具有已知標(biāo)記的圖像并構(gòu)造出特征空間矩陣和標(biāo)記空間矩陣，從特征空間矩陣中隨機(jī)生成初始的特征選擇矩陣，隨機(jī)初始化生成與標(biāo)記空間矩陣的空間大小相同的偽標(biāo)記矩陣，基于特征選擇矩陣、特征空間矩陣和偽標(biāo)記矩陣構(gòu)造回歸框架；

4、s2，構(gòu)建用于指導(dǎo)稀疏方向的牽引矩陣，設(shè)計(jì)非負(fù)標(biāo)記稀疏矩陣學(xué)習(xí)稀疏度，結(jié)合牽引矩陣、非負(fù)標(biāo)記稀疏矩陣、標(biāo)記空間矩陣和偽標(biāo)記矩陣構(gòu)建擬合模型；通過偽標(biāo)記矩陣構(gòu)造標(biāo)記相關(guān)性模型；構(gòu)建特征選擇矩陣的核范數(shù)模型；根據(jù)回歸框架、擬合模型、標(biāo)記相關(guān)性模型和特征選擇矩陣的核范數(shù)模型構(gòu)建目標(biāo)函數(shù)，通過交替迭代優(yōu)化算法對目標(biāo)函數(shù)進(jìn)行求解，判斷目標(biāo)函數(shù)是否收斂，若是，則將最后一個(gè)輪次優(yōu)化后的特征選擇矩陣作為最終優(yōu)化的特征選擇矩陣，否則重復(fù)步驟s2，基于最終優(yōu)化的特征選擇矩陣確定圖像特征子集，基于圖像特征子集和標(biāo)記空間矩陣構(gòu)建訓(xùn)練數(shù)據(jù)；

5、s3，構(gòu)建圖像分類模型，采用訓(xùn)練數(shù)據(jù)對圖像分類模型進(jìn)行訓(xùn)練，得到經(jīng)訓(xùn)練的圖像分類模型；

6、s4，獲取圖像，將圖像中與圖像特征子集相對應(yīng)的特征輸入到經(jīng)訓(xùn)練的圖像分類模型中，得到圖像分類結(jié)果。

7、作為優(yōu)選，特征空間矩陣表示為其中為特征空間矩陣中的第i行的元素構(gòu)成的向量，xi中的每個(gè)元素均為第i個(gè)圖像的特征，特征包括圖像的8個(gè)區(qū)域中的每個(gè)區(qū)域?qū)?yīng)的顏色均值特征、顏色標(biāo)準(zhǔn)偏差特征、形狀特征、4個(gè)高斯濾波器和12種定向?yàn)V波器提取的紋理特征，表示實(shí)數(shù)空間，d表示d維特征，n表示圖像的總數(shù)量，標(biāo)記空間矩陣包含n個(gè)圖像所對應(yīng)的標(biāo)記，表示為第i個(gè)圖像xi∈x(1≤i≤n)都關(guān)聯(lián)標(biāo)記空間矩陣y中的一個(gè)行向量表示標(biāo)記空間矩陣中第i行第j列的元素，標(biāo)記為圖像中各個(gè)物體的類別，若第i個(gè)圖像與第j個(gè)標(biāo)記相關(guān)聯(lián)，則標(biāo)記空間矩陣中對應(yīng)的元素若第i個(gè)圖像與第j個(gè)標(biāo)記不相關(guān)，則標(biāo)記空間矩陣中第i行第j列的元素

8、作為優(yōu)選，構(gòu)建用于指導(dǎo)稀疏方向的牽引矩陣，設(shè)計(jì)非負(fù)標(biāo)記稀疏矩陣學(xué)習(xí)稀疏度，結(jié)合牽引矩陣、非負(fù)標(biāo)記稀疏矩陣、標(biāo)記空間矩陣和偽標(biāo)記矩陣構(gòu)建擬合模型；通過偽標(biāo)記矩陣構(gòu)造標(biāo)記相關(guān)性模型；構(gòu)建特征選擇矩陣的核范數(shù)模型；根據(jù)回歸框架、擬合模型、標(biāo)記相關(guān)性模型和特征選擇矩陣的核范數(shù)模型構(gòu)建目標(biāo)函數(shù)，具體包括：

9、回歸框架表示為：

10、

11、其中，α為||w||2,1的權(quán)衡參數(shù)，w表示特征選擇矩陣，v表示偽標(biāo)記矩陣，x表示特征空間矩陣，||·||f表示frobenius范數(shù)，||·||2,1表示l2,1范數(shù)；

12、結(jié)合牽引矩陣b、非負(fù)標(biāo)記稀疏矩陣s和標(biāo)記空間矩陣y來擬合偽標(biāo)記矩陣v，構(gòu)建擬合模型，表示為：

13、

14、其中，表示矩陣的哈達(dá)瑪乘積運(yùn)算符，定義為：每個(gè)牽引矩陣b中第i行第j列的元素bij表示一個(gè)松弛方向，即“+1”表示正的稀疏方向，“-1”表示負(fù)的稀疏方向；

15、基于二階策略，引入對標(biāo)記相關(guān)性的探索，構(gòu)造出標(biāo)記相關(guān)性模型，表示為：

16、

17、其中，||·||2表示l2范數(shù)，v:p為第p個(gè)標(biāo)記的偽標(biāo)記結(jié)果，v:q為第q個(gè)標(biāo)記的偽標(biāo)記結(jié)果，l＝a-g，a是對角矩陣，表示為diag(a1,a2,...,ac)，aj表示a中第j行第j列的元素，gpq為g中第p行第q列的元素，p,q＝1,2,…,c；g表示親和性矩陣，親和性矩陣初始為隨機(jī)初始化生成；

18、特征選擇矩陣的核范數(shù)模型表示為：

19、

20、其中，||·||*表示核函數(shù)，tr表示跡；

21、目標(biāo)函數(shù)表示為：

22、

23、其中，β、γ和λ分別表示擬合模型、標(biāo)記相關(guān)性模型和特征選擇矩陣的核范數(shù)模型表示的權(quán)衡參數(shù)。

24、作為優(yōu)選，通過交替迭代優(yōu)化算法對目標(biāo)函數(shù)進(jìn)行求解，具體包括：

25、設(shè)定w＝[w1,w2,...,wd]t，h＝1,2,…,d，目標(biāo)函數(shù)等價(jià)于：

26、

27、其中，d是對角矩陣，dhh表示d中的第h行第h列的元素，wh表示上一輪次優(yōu)化后的特征選擇矩陣w中的第h行的元素構(gòu)成的行向量；

28、固定v和s，求解當(dāng)前輪次優(yōu)化后的w，公式(6)簡化為：

29、

30、其中，δ表示固定v和s后簡化的目標(biāo)函數(shù)；

31、令根據(jù)奇異值分解w＝u∑pt，w＝u∑pt中采用上一輪次優(yōu)化后的特征選擇矩陣w，可得：

32、

33、其中，u和p表示根據(jù)當(dāng)前輪次優(yōu)化后的特征選擇矩陣w求解得到的第一變量和第二變量，w＝(xtx+αd)-1(xtv-λupt)為當(dāng)前輪次優(yōu)化后的w；

34、固定w和s，求解當(dāng)前輪次優(yōu)化后的v，公式(6)簡化為：

35、

36、其中，θ表示固定w和s后簡化的目標(biāo)函數(shù)；

37、令可得：

38、

39、其中，i為單位矩陣；

40、固定w和v，設(shè)h＝v-y，y＝v-h，求解當(dāng)前輪次優(yōu)化后的s，公式(6)簡化為：

41、

42、s的最優(yōu)解可計(jì)算為：

43、

44、作為優(yōu)選，計(jì)算最終優(yōu)化的特征選擇矩陣中的每一行的元素構(gòu)成的行向量的l2范數(shù)||wh||2，并按照||wh||2(h＝1→d)進(jìn)行降序，選擇排名前q％的最終優(yōu)化的特征選擇矩陣中的每一行的元素構(gòu)成的行向量作為圖像特征子集。

45、作為優(yōu)選，圖像分類模型包括mlknn模型。

46、第二方面，本發(fā)明提供了一種基于顯著性特征的多標(biāo)記圖像分類方法，包括以下步驟：

47、回歸框架構(gòu)建模塊，被配置為獲取若干具有已知標(biāo)記的圖像并構(gòu)造出特征空間矩陣和標(biāo)記空間矩陣，從特征空間矩陣中隨機(jī)生成初始的特征選擇矩陣，隨機(jī)初始化生成與標(biāo)記空間矩陣的空間大小相同的偽標(biāo)記矩陣，基于特征選擇矩陣、特征空間矩陣和偽標(biāo)記矩陣構(gòu)造回歸框架；

48、訓(xùn)練數(shù)據(jù)構(gòu)建模塊，被配置為構(gòu)建用于指導(dǎo)稀疏方向的牽引矩陣，設(shè)計(jì)非負(fù)標(biāo)記稀疏矩陣學(xué)習(xí)稀疏度，結(jié)合牽引矩陣、非負(fù)標(biāo)記稀疏矩陣、標(biāo)記空間矩陣和偽標(biāo)記矩陣構(gòu)建擬合模型；通過偽標(biāo)記矩陣構(gòu)造標(biāo)記相關(guān)性模型；構(gòu)建特征選擇矩陣的核范數(shù)模型；根據(jù)回歸框架、擬合模型、標(biāo)記相關(guān)性模型和特征選擇矩陣的核范數(shù)模型構(gòu)建目標(biāo)函數(shù)，通過交替迭代優(yōu)化算法對目標(biāo)函數(shù)進(jìn)行求解，判斷目標(biāo)函數(shù)是否收斂，若是，則將最后一個(gè)輪次優(yōu)化后的特征選擇矩陣作為最終優(yōu)化的特征選擇矩陣，否則重復(fù)執(zhí)行訓(xùn)練數(shù)據(jù)構(gòu)建模塊，基于最終優(yōu)化的特征選擇矩陣確定圖像特征子集，基于圖像特征子集和標(biāo)記空間矩陣構(gòu)建訓(xùn)練數(shù)據(jù)；

49、模型構(gòu)建模塊，被配置為構(gòu)建圖像分類模型，采用訓(xùn)練數(shù)據(jù)對圖像分類模型進(jìn)行訓(xùn)練，得到經(jīng)訓(xùn)練的圖像分類模型；

50、分類模塊，被配置為獲取圖像，將圖像中與圖像特征子集相對應(yīng)的特征輸入到經(jīng)訓(xùn)練的圖像分類模型中，得到圖像分類結(jié)果。

51、第三方面，本發(fā)明提供了一種電子設(shè)備，包括一個(gè)或多個(gè)處理器；存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序，當(dāng)一個(gè)或多個(gè)程序被一個(gè)或多個(gè)處理器執(zhí)行，使得一個(gè)或多個(gè)處理器實(shí)現(xiàn)如第一方面中任一實(shí)現(xiàn)方式描述的方法。

52、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面中任一實(shí)現(xiàn)方式描述的方法。

53、第五方面，本發(fā)明提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面中任一實(shí)現(xiàn)方式描述的方法。

54、相比于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

55、(1)本發(fā)明提出的基于顯著性特征的多標(biāo)記圖像分類方法利用標(biāo)記稀疏機(jī)制得到稀疏的偽標(biāo)記矩陣，用于學(xué)習(xí)類別標(biāo)記之間的可靠相關(guān)性。

56、(2)本發(fā)明提出的基于顯著性特征的多標(biāo)記圖像分類方法利用特征選擇矩陣的核范數(shù)模型挖掘多標(biāo)記學(xué)習(xí)的共享信息，可以處理標(biāo)記密度不平衡問題。

57、(3)本發(fā)明提出的基于顯著性特征的多標(biāo)記圖像分類方法將標(biāo)記空間矩陣與非負(fù)標(biāo)記稀疏矩陣相結(jié)合，學(xué)習(xí)類別標(biāo)記之間的相關(guān)性，利用特征選擇矩陣來捕獲不同相關(guān)標(biāo)記的共享信息，減輕了低密度標(biāo)記對特征選擇的影響，從而提高多標(biāo)記圖像數(shù)據(jù)的分類性能。