一種基于核主成分分析網(wǎng)絡(luò)的圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像領(lǐng)域，具體涉及一種基于核主成分分析網(wǎng)絡(luò)的圖像分類方 法。
【背景技術(shù)】
[0002] 對(duì)圖像進(jìn)行分類之前，通常需要對(duì)圖像矩陣進(jìn)行降維。常用的降維方法主要有兩 種：1、主成分分析法；2、核主成分分析法。前者主要是針對(duì)線性可分的數(shù)據(jù)，而后者則可以 處理線性不可分的數(shù)據(jù)。兩者的分類正確率都不是很高。
[0003] 1、主成分分析法
[0004] 主成分分析法是最常用的線性降維方法，其目標(biāo)是通過(guò)線性映射將高維的數(shù)據(jù)映 射到低維的空間中進(jìn)行表達(dá)，并期望在所投影的維度上數(shù)據(jù)的方差最大，從而使用較少的 數(shù)據(jù)維度保留住較多的原始數(shù)據(jù)的特點(diǎn)。
[0005] 其具體算法如下：
[0006] 假設(shè)輸入111個(gè)11維的樣本父" =1，2，...，111，其中/6『，2' = 1，2,-?，將每個(gè)樣本 中的n維數(shù)據(jù)排成列向量，則輸入樣本表示為：
[0007] Xj= [x i；1 xi；2 . . . xi；n]T, i = 1, 2, . . . , m (1)
[0008] 首先對(duì)樣本中每個(gè)維度的數(shù)據(jù)中心化：
[0009] 每個(gè)樣本減去平均值X使得樣本的每個(gè)維度均值都為〇,：
【主權(quán)項(xiàng)】
1. 一種基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，包括以下步驟： 步驟1:建立核主成分分析網(wǎng)絡(luò)第一層： 步驟1. 1 :輸入圖像數(shù)據(jù)庫(kù)中的&幅訓(xùn)練圖像，并對(duì)其進(jìn)行預(yù)處理，分別得到N屬訓(xùn)練 圖像中每一幅圖像的局部特征矩陣Ii，i= 1，2，...，N1;其中圖像數(shù)據(jù)庫(kù)包含N幅大小為 mXn已經(jīng)人工分類并作標(biāo)記的圖像，&<N; 步驟1. 2 :求局部特征矩陣I,的協(xié)方差矩陣均值〇 ,選擇任意一個(gè)核函數(shù)，將協(xié)方差矩 陣均值亡映射到高維空間的核子空間當(dāng)中，得到核子空間當(dāng)中的協(xié)方差矩陣K，并對(duì)K去均 值得到K，通過(guò)對(duì)K進(jìn)行奇異值分解，得到K的主成分，從而獲得第一層核主成分分析網(wǎng)絡(luò) 的濾波器V(1);分別將I1與V(1)卷積，得到第一層核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像； 步驟2:建立核主成分分析網(wǎng)絡(luò)第二層： 將核主成分分析網(wǎng)絡(luò)的第一層訓(xùn)練輸出圖像替代步驟1. 1的K幅訓(xùn)練圖像，重復(fù)步驟 1. 1至步驟1. 2的過(guò)程，得到第二層核主成分分析網(wǎng)絡(luò)的濾波器V(2)以及第二層核主成分分 析網(wǎng)絡(luò)的訓(xùn)練輸出圖像； 步驟3:建立核主成分分析網(wǎng)絡(luò)的輸出層： 步驟3. 1:將第二層核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像中的每幅圖像二值化，并對(duì)二 值化后的圖像分塊以統(tǒng)計(jì)直方圖，得到隊(duì)幅訓(xùn)練圖像中每幅圖像的主特征向量fTm)，i= 1，2, ? ? ?，Nu 步驟3. 2:將每幅圖像的主特征向量串聯(lián)起來(lái)，得到所有訓(xùn)練圖像的主特征矩陣 p (train)^ 步驟4:訓(xùn)練分類器： 將Ftoain)以及每幅圖像對(duì)應(yīng)的標(biāo)記輸入到分類器當(dāng)中，訓(xùn)練分類器，獲得能夠?qū)D像 進(jìn)行分類的分類器。
2. 根據(jù)權(quán)利要求1所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟1. 1對(duì)&幅訓(xùn)練圖像的預(yù)處理具體為： 在N幅大小為mXn的圖像數(shù)據(jù)庫(kù)中隨機(jī)選取&幅作為訓(xùn)練圖像數(shù)據(jù)庫(kù)；用一個(gè)大小 Sk:Xk2的滑塊遍歷訓(xùn)練圖像數(shù)據(jù)庫(kù)中的每幅訓(xùn)練圖像X,er^，i= 1，2,…，&的每一 個(gè)像素，其中置為實(shí)數(shù)集，匕和k2均為奇數(shù)，并且0〈km，0〈kn，每一幅圖像總共有mn 個(gè)像素；對(duì)于每一個(gè)像素將滑塊范圍內(nèi)的hk2個(gè)像素值保存成一個(gè)列向量，得到mn個(gè)長(zhǎng)度 為hk2的列向量，記為：
對(duì)式（1)中的列向量去均值得到：
將去均值后的向量組合，從而得到每幅訓(xùn)練圖像\的局部特征矩陣Ii:
3. 根據(jù)權(quán)利要求2所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟1.2具體包括以下步驟： (a)分別求局部特征矩陣丨=L2,…，&的協(xié)方差矩陣：
⑷ 對(duì)得到的&個(gè)協(xié)方差矩陣進(jìn)行平均，得到：
(b) 選擇線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、指數(shù)核函數(shù)、拉普拉斯核函數(shù)、 雙曲正切核函數(shù)、有理二次核函數(shù)、逆多元二次核函數(shù)、圓核函數(shù)中的任意一個(gè)核函 數(shù)將亡eK%x咕映射到高維空間中的核子空間，得到大小為kAXkA的協(xié)方差矩陣 Ke腹,并對(duì)矩陣k進(jìn)行去均值得到：
其中2郵為一個(gè)的矩陣，每一個(gè)元素都是lAkA); (c) 對(duì)K進(jìn)行奇異值分解，找出K的1^個(gè)主成分，并將K的1^個(gè)主成分作為第一層核 主成分分析網(wǎng)絡(luò)的濾波器V(1):
式（7)中，vf為泛的第j個(gè)主成分，U為第一層核主成分分析網(wǎng)絡(luò)中濾波器的個(gè)數(shù)，0 <kxk2； 將局部特征矩陣Ii，i= 1，2,. . .，&分別與vf，.j= 1，2,. . .，1^進(jìn)行卷積，得到第一層 核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像：
4. 根據(jù)權(quán)利要求1所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟2具體包括以下步驟： 將第一層核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像替代步驟1. 1中&幅訓(xùn)練圖像，重復(fù) 步驟1. 1至步驟1. 2過(guò)程，得到核主成分分析網(wǎng)絡(luò)的第二層濾波器：
式（9)中，<2)為第二層核主成分分析網(wǎng)絡(luò)的第h個(gè)濾波器，L2S第二層核主成分分析 網(wǎng)絡(luò)的濾波器個(gè)數(shù)，〇 <L2<kik2; 以及得到UL2幅第二層核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像：
5. 根據(jù)權(quán)利要求4所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟3.1具體包括以下步驟： (a) 將第二層核主成分分析網(wǎng)絡(luò)的訓(xùn)練輸出圖像I丨:er-"中的每幅圖像進(jìn)行二值化 操作，得到二值化后的圖像，二值化操作具體為：中的元素如果大于0,則將該 元素置為1 ;如果小于或者等于〇,則將該元素置為〇 ;二值化后的圖像表示為：
將式（11)中的圖像進(jìn)行重新分組，每。幅圖像分為一組，得到NA個(gè)圖像組，每個(gè)圖像 組包括L2幅圖像，對(duì)每個(gè)圖像組中的L2張進(jìn)行加權(quán)求和得到一幅加權(quán)圖像，從而獲得N山： 個(gè)圖像組的加權(quán)圖像
式（12)對(duì)應(yīng)著NA張像素值介于[0,212-1]的圖像； (b) 將弩)?'i= 1，2,…，N1;j= 1，2,…，L沖的每幅加權(quán)圖像分成B塊，0〈B〈mn;分 別統(tǒng)計(jì)各個(gè)塊的直方圖并將這B個(gè)塊的直方圖連接成一個(gè)向量：
由式（13)得到&幅訓(xùn)練圖像中每幅圖像的主特征向量
6. 根據(jù)權(quán)利要求5所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟3. 2具體包括以下步驟： 按照原始輸入的訓(xùn)練圖像的標(biāo)記，K幅訓(xùn)練圖像中每幅圖像的主特征向量串聯(lián)起來(lái)， 得到所有訓(xùn)練圖像的主特征矩陣：
7. 根據(jù)權(quán)利要求6所述的基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述 步驟4具體包括以下步驟： 將Ftoain)以及每幅訓(xùn)練圖像對(duì)應(yīng)的原始標(biāo)記輸入到分類器中，訓(xùn)練出分類需要的參 數(shù)，獲得能夠?qū)D像進(jìn)行分類的分類器。
【專利摘要】本發(fā)明公開(kāi)一種基于核主成分分析網(wǎng)絡(luò)的圖像分類方法，包括以下步驟：（1）輸入并預(yù)處理訓(xùn)練圖像，得到訓(xùn)練圖像的局部特征矩陣，（2）建立一個(gè)兩層的核主成分分析網(wǎng)絡(luò)，獲得訓(xùn)練圖像的主特征向量，（3）并用獲得的主特征向量訓(xùn)練分類器；為了驗(yàn)證分類的正確性，建立測(cè)試核主成分分析網(wǎng)絡(luò)對(duì)測(cè)試圖像進(jìn)行測(cè)試。發(fā)明通過(guò)構(gòu)造一個(gè)兩層的核主成分分析網(wǎng)絡(luò)，能夠獲得圖像的非線性特征，使得圖像特征的描述更精確，分類也更為準(zhǔn)確，對(duì)于圖像分類問(wèn)題有著更高的正確率。
【IPC分類】G06K9-62
【公開(kāi)號(hào)】CN104573729
【申請(qǐng)?zhí)枴緾N201510037296
【發(fā)明人】吳丹, 伍家松, 姜龍玉, 楊淳沨, 達(dá)臻, 舒華忠
【申請(qǐng)人】東南大學(xué)
【公開(kāi)日】2015年4月29日
【申請(qǐng)日】2015年1月23日