專利名稱：基于核自適應(yīng)局部保持映射的圖像分類方法和圖像處理器的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體地說，涉及一種基于核自適應(yīng)局部保持映射的圖像分類方法。
背景技術(shù)：
數(shù)字圖像是計(jì)算機(jī)處理的最常見媒體形式之一，如人臉圖像、手寫體文字、指紋、 地圖、自然照片等，相應(yīng)地，產(chǎn)生了各種圖像識(shí)別系統(tǒng)并得到廣泛應(yīng)用，如人臉識(shí)別系統(tǒng)、手寫體識(shí)別系統(tǒng)、圖像檢索系統(tǒng)、遙感圖像檢索系統(tǒng)等。各類圖像分類系統(tǒng)已廣泛應(yīng)用于國(guó)防、軍事、商業(yè)等領(lǐng)域，在國(guó)民經(jīng)濟(jì)建設(shè)、國(guó)家安全等占有重要地位。最近，作為一種新的維數(shù)約簡(jiǎn)方法，流形學(xué)習(xí)方法引起了研究學(xué)者的廣泛興趣，并取得了大量的研究成果，其中具有代表性的算法有局部線性嵌入(LLE)，等距映射(Isomap)，拉普拉斯特征映射(Laplacian Eigenmap)以及最近提出的局部保持映射 (LPP)。局部保持映射(LPP)的思想為通過保留局部鄰近結(jié)構(gòu)將數(shù)據(jù)從原始空間映射到低維特征空間。為了提升局部保持映射算法在進(jìn)行圖像非線性特征提取的能力，研究學(xué)者提出了基于核方法的局部保持映射的圖像分類算法，然而核函數(shù)是影響核學(xué)習(xí)算法性能的重要因素，是核學(xué)習(xí)的一個(gè)重要環(huán)節(jié)，目前核局部保持映射的圖像分類方法在執(zhí)行過程中核函數(shù)及其參數(shù)是預(yù)先設(shè)定的，且在算法執(zhí)行過程中保持不變的，而數(shù)據(jù)在不同核函數(shù)映射下的特征空間內(nèi)具有不同的幾何結(jié)構(gòu)，若核函數(shù)及參數(shù)的選擇不當(dāng)會(huì)直接導(dǎo)致數(shù)據(jù)在特征空間的幾何結(jié)構(gòu)不適合分類，影響核學(xué)習(xí)算法的性能?，F(xiàn)有技術(shù)中也提出了核函數(shù)參數(shù)可調(diào)的核學(xué)習(xí)算法，這些算法的思路是從一個(gè)離散參數(shù)集合選出一個(gè)合適的核參數(shù)，這些算法在一定程度上提高了核學(xué)習(xí)算法的性能，但未改變數(shù)據(jù)在核映射空間內(nèi)的幾何結(jié)構(gòu)，不能從根本上改變核學(xué)習(xí)算法的性能，因而導(dǎo)致基于核學(xué)習(xí)的圖像分類器中存在的核函數(shù)選擇的不準(zhǔn)確。

發(fā)明內(nèi)容
本發(fā)明的目的是解決目前基于核學(xué)習(xí)的圖像分類器存在的核函數(shù)選擇不準(zhǔn)確的問題，提供了一種基于核自適應(yīng)局部保持映射的圖像分類方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是—種基于核自適應(yīng)局部保持映射的圖像分類方法，其包括訓(xùn)練步驟和分類步驟， 其中，所述訓(xùn)練步驟包括步驟Si、對(duì)待訓(xùn)練的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)；S2、對(duì)步驟Sl獲得的待訓(xùn)練圖像利用Gabor小波分析進(jìn)行特征提取，得到圖像的 Gabor特征向量；S3、對(duì)步驟S2獲得的圖像的Gabor特征向量進(jìn)行訓(xùn)練，獲得圖像的核自適應(yīng)局部保持映射；
S4、將步驟S3中獲得的核自適應(yīng)局部保持映射作用到對(duì)步驟S2中獲得的訓(xùn)練圖像的Gabor特征向量中，獲得訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量；所述分類步驟S5、對(duì)待分類的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)；S6、對(duì)步驟S5獲得圖像利用Gabor小波分析進(jìn)行特征提取，得到圖像的Gabor特征向量；S7、將步驟S3中獲得的核自適應(yīng)局部保持映射作用在步驟6中獲得的待分類圖像的Gabor特征向量上，獲得待分類圖像的核自適應(yīng)局部保持映射分析特征向量；S8、將步驟S7中得到的待分類圖像的核自適應(yīng)局部保持映射分析特征向量與步驟S4中得到的訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量進(jìn)行匹配得到該圖像的類別信息。其中，優(yōu)選的，所述步驟S3具體包括步驟S31、選擇基本核函數(shù)k(Zl， )、數(shù)據(jù)依賴核函數(shù)及與二者相關(guān)的參數(shù)，并由基本核函數(shù)k(zi，z2)計(jì)算獲得基本核矩陣K;步驟S32、給定訓(xùn)練樣本數(shù)據(jù)，并根據(jù)所述給定的訓(xùn)練樣本數(shù)據(jù)以及選擇膨脹向量的方法，獲得膨脹向量的表達(dá)式；再根據(jù)獲得的膨脹向量的表達(dá)式、所述基本核矩陣K和步驟S2所獲得的圖像的Gabor特征向量，并利用最大間隔核自適應(yīng)優(yōu)化準(zhǔn)則，計(jì)算并獲得數(shù)據(jù)依賴核函數(shù)的膨脹系數(shù)向量；步驟S33、利用步驟S31獲得的數(shù)據(jù)依賴核函數(shù)的膨脹系數(shù)向量，構(gòu)造并獲得數(shù)據(jù)依賴核函數(shù)$(6, )和數(shù)據(jù)依賴核矩陣S:；步驟S34、根據(jù)步驟S33獲得的最優(yōu)的數(shù)據(jù)依賴核函數(shù)和數(shù)據(jù)依賴核矩陣
S:,計(jì)算并獲得核自適應(yīng)局部保持映射特征向量。其中，優(yōu)選的，所述步驟S32具體包括步驟S321、給定訓(xùn)練樣本數(shù)據(jù)z (1)，ζ O)，. . .，ζ (η)，其中η表示訓(xùn)練樣本數(shù)據(jù)中包含的數(shù)據(jù)個(gè)數(shù)，由選擇膨脹向量的方法獲得膨脹向量的表達(dá)式為
權(quán)利要求
1.一種基于核自適應(yīng)局部保持映射的圖像分類方法，其特征在于，包括訓(xùn)練步驟和分類步驟，其中，所述訓(xùn)練步驟包括步驟51、對(duì)待訓(xùn)練的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)；52、對(duì)步驟Sl獲得的待訓(xùn)練圖像利用Gabor小波分析進(jìn)行特征提取，得到圖像的Gabor 特征向量；53、對(duì)步驟S2獲得的圖像的Gabor特征向量進(jìn)行訓(xùn)練，獲得圖像的核自適應(yīng)局部保持映射；54、將步驟S3中獲得的核自適應(yīng)局部保持映射作用到對(duì)步驟S2中獲得的訓(xùn)練圖像的 Gabor特征向量中，獲得訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量；所述分類步驟55、對(duì)待分類的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)；56、對(duì)步驟S5獲得圖像利用Gabor小波分析進(jìn)行特征提取，得到圖像的Gabor特征向量；57、將步驟S3中獲得的核自適應(yīng)局部保持映射作用在步驟S6中獲得的待分類圖像的 Gabor特征向量上，獲得待分類圖像的核自適應(yīng)局部保持映射分析特征向量；58、將步驟S7中得到的待分類圖像的核自適應(yīng)局部保持映射分析特征向量與步驟S4 中得到的訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量進(jìn)行匹配得到該圖像的類別信肩、ο
2.根據(jù)權(quán)利要求1所述的基于核自適應(yīng)局部保持映射的圖像分類方法，其特征在于， 所述步驟S3具體包括步驟S31、選擇基本核函數(shù)k(Zl^2)、數(shù)據(jù)依賴核函數(shù)^ζι，ζ2)及與二者相關(guān)的參數(shù)，并由基本核函數(shù)k(Zl，z2)計(jì)算獲得基本核矩陣K ；步驟S32、給定訓(xùn)練樣本數(shù)據(jù)，并根據(jù)所述給定的訓(xùn)練樣本數(shù)據(jù)以及選擇膨脹向量的方法，獲得膨脹向量的表達(dá)式；再根據(jù)獲得的膨脹向量的表達(dá)式、所述基本核矩陣K和步驟S2 所獲得的圖像的Gabor特征向量，并利用最大間隔核自適應(yīng)優(yōu)化準(zhǔn)則，計(jì)算并獲得數(shù)據(jù)依賴核函數(shù)》(、。)的膨脹系數(shù)向量；步驟S33、利用步驟32獲得的數(shù)據(jù)依賴核函數(shù)Mz1^2)的膨脹系數(shù)向量，構(gòu)造并獲得數(shù)據(jù)依賴核函數(shù)Mz1^2)和數(shù)據(jù)依賴核矩陣S；步驟S34、根據(jù)步驟S33獲得的最優(yōu)的數(shù)據(jù)依賴核函數(shù)^z1J2)和數(shù)據(jù)依賴核矩陣玟，計(jì)算并獲得核自適應(yīng)局部保持映射特征向量。
3.根據(jù)權(quán)利要求2所述的基于核自適應(yīng)局部保持映射的圖像分類方法，其特征在于， 所述步驟S32具體包括步驟S321、給定訓(xùn)練樣本數(shù)據(jù)z (1)，ζ ，. . .，ζ (η)，其中η表示訓(xùn)練樣本數(shù)據(jù)中包含的數(shù)據(jù)個(gè)數(shù)，由選擇膨脹向量的方法獲得膨脹向量的表達(dá)式為
4.根據(jù)權(quán)利要求2或3所述的基于核自適應(yīng)局部保持映射的圖像分類方法，其特征在于，所述步驟S34具體過程包括SMI、利用給定的數(shù)據(jù)依賴核函數(shù)，力來構(gòu)造核矩陣. 和相似性矩陣Stc和Dtc，其中
5.根據(jù)權(quán)利要求1所述的基于核自適應(yīng)局部保持映射的圖像分類方法，其特征在于， 步驟S4具體包括逐一計(jì)算訓(xùn)練樣本數(shù)據(jù)中每一種類別數(shù)據(jù)的平均值，選定相似量度表達(dá)式，分別計(jì)算步驟S3獲得的核自適應(yīng)局部保持映射特征向量與所屬每一種類別圖像特征數(shù)據(jù)的平均值的相似量度值，并在計(jì)算所得的所有相似量度值中找出最大的相似量度值，則該最大的相似量度值所對(duì)應(yīng)的數(shù)據(jù)的類別即為該待分類圖像的類別。
6. 一種圖像處理器，其特征在于，包括 訓(xùn)練單元和分類單元，其中，所述訓(xùn)練單元包括第一歸一化單元，用于對(duì)待訓(xùn)練的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)； 第一特征提取單元，用于對(duì)所述第一歸一化單元所獲得的待訓(xùn)練圖像利用Gabor小波分析進(jìn)行特征提取，得到圖像的Gabor特征向量；第一映射單元，對(duì)第一特征提取單元獲得的圖像的Gabor特征向量進(jìn)行訓(xùn)練，獲得圖像的核自適應(yīng)局部保持映射；特征向量獲取單元，用于將第一映射單元獲得的核自適應(yīng)局部保持映射作用到第一特征提取單元獲得的訓(xùn)練圖像的Gabor特征向量中，獲得訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量；所述分類單元包括第二歸一化單元，用于對(duì)待分類的圖像進(jìn)行預(yù)處理，得到歸一化的圖像數(shù)據(jù)； 第二特征提取單元，對(duì)第二歸一化單元獲得圖像利用Gabor小波分析進(jìn)行特征提取， 得到圖像的Gabor特征向量；第二映射單元，將第一映射單元獲得的核自適應(yīng)局部保持映射作用在第二特征提取單元獲得的待分類圖像的Gabor特征向量上，獲得待分類圖像的核自適應(yīng)局部保持映射分析特征向量；圖像類別匹配單元，將第二映射單元得到的待分類圖像的核自適應(yīng)局部保持映射分析特征向量與特征向量獲取單元得到的訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量進(jìn)行匹配得到該圖像的類別信息。
全文摘要
本發(fā)明涉及一種基于核自適應(yīng)局部保持映射的圖像分類方法和圖像處理器，該方法包括步驟先對(duì)圖像數(shù)據(jù)進(jìn)行訓(xùn)練，獲得圖像的核自適應(yīng)局部保持映射和獲得訓(xùn)練圖像的核自適應(yīng)局部保持映射分析特征向量；對(duì)待分類的圖像處理得到歸一化的圖像數(shù)據(jù)將圖像數(shù)據(jù)進(jìn)行特征提取，得到圖像的Gabor特征向量；將該圖像的Gabor特征向量進(jìn)行核自適應(yīng)保持映射，獲得圖像的局部保持映射分析特征向量；然后對(duì)獲得的核自適應(yīng)局部保持映射特征向量進(jìn)行分類以獲得圖像的類別。該基于核自適應(yīng)局部保持映射的圖像分類方法，通過數(shù)據(jù)依賴核，改變數(shù)據(jù)依賴核的相應(yīng)參數(shù)達(dá)到改變核結(jié)構(gòu)的目的，并根據(jù)核局部保持映射的圖像特征提取，能夠準(zhǔn)確進(jìn)行圖像分類。
文檔編號(hào)G06K9/66GK102194135SQ20101011977
公開日2011年9月21日 申請(qǐng)日期2010年3月8日 優(yōu)先權(quán)日2010年3月8日
發(fā)明者李君寶, 潘正祥 申請(qǐng)人:艾美特電器(深圳)有限公司