一種基于核主成分分析網(wǎng)絡的圖像分類方法
【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)絡的圖像分類方 法。
【背景技術(shù)】
[0002] 對圖像進行分類之前，通常需要對圖像矩陣進行降維。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，其目標是通過線性映射將高維的數(shù)據(jù)映 射到低維的空間中進行表達，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。
[0005] 其具體算法如下：
[0006] 假設(shè)輸入111個11維的樣本父" =1，2，...，111，其中/6『，2' = 1，2,-?，將每個樣本 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] 首先對樣本中每個維度的數(shù)據(jù)中心化：
[0009] 每個樣本減去平均值X使得樣本的每個維度均值都為〇,：
【主權(quán)項】
1. 一種基于核主成分分析網(wǎng)絡的圖像分類方法，其特征在于，包括以下步驟： 步驟1:建立核主成分分析網(wǎng)絡第一層： 步驟1. 1 :輸入圖像數(shù)據(jù)庫中的&幅訓練圖像，并對其進行預處理，分別得到N屬訓練 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)庫包含N幅大小為 mXn已經(jīng)人工分類并作標記的圖像，&<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中，得到核子空間當中的協(xié)方差矩陣K，并對K去均 值得到K，通過對K進行奇異值分解，得到K的主成分，從而獲得第一層核主成分分析網(wǎng)絡 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)絡的訓練輸出圖像； 步驟2:建立核主成分分析網(wǎng)絡第二層： 將核主成分分析網(wǎng)絡的第一層訓練輸出圖像替代步驟1. 1的K幅訓練圖像，重復步驟 1. 1至步驟1. 2的過程，得到第二層核主成分分析網(wǎng)絡的濾波器V(2)以及第二層核主成分分 析網(wǎng)絡的訓練輸出圖像； 步驟3:建立核主成分分析網(wǎng)絡的輸出層： 步驟3. 1:將第二層核主成分分析網(wǎng)絡的訓練輸出圖像中的每幅圖像二值化，并對二 值化后的圖像分塊以統(tǒng)計直方圖，得到隊幅訓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，得到所有訓練圖像的主特征矩陣 p (train)^ 步驟4:訓練分類器： 將Ftoain)以及每幅圖像對應的標記輸入到分類器當中，訓練分類器，獲得能夠?qū)D像 進行分類的分類器。
2. 根據(jù)權(quán)利要求1所述的基于核主成分分析網(wǎng)絡的圖像分類方法，其特征在于，所述 步驟1. 1對&幅訓練圖像的預處理具體為： 在N幅大小為mXn的圖像數(shù)據(jù)庫中隨機選取&幅作為訓練圖像數(shù)據(jù)庫；用一個大小 Sk:Xk2的滑塊遍歷訓練圖像數(shù)據(jù)庫中的每幅訓練圖像X,er^，i= 1，2,…，&的每一 個像素，其中置為實數(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 個像素；對于每一個像素將滑塊范圍內(nèi)的hk2個像素值保存成一個列向量，得到mn個長度 為hk2的列向量，記為：
對式（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 對得到的&個協(xié)方差矩陣進行平均，得到：
(b) 選擇線性核函數(shù)、多項式核函數(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,并對矩陣k進行去均值得到：
其中2郵為一個的矩陣，每一個元素都是lAkA); (c) 對K進行奇異值分解，找出K的1^個主成分，并將K的1^個主成分作為第一層核 主成分分析網(wǎng)絡的濾波器V(1):
式（7)中，vf為泛的第j個主成分，U為第一層核主成分分析網(wǎng)絡中濾波器的個數(shù)，0 <kxk2； 將局部特征矩陣Ii，i= 1，2,. . .，&分別與vf，.j= 1，2,. . .，1^進行卷積，得到第一層 核主成分分析網(wǎng)絡的訓練輸出圖像：
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)絡的訓練輸出圖像替代步驟1. 1中&幅訓練圖像，重復 步驟1. 1至步驟1. 2過程，得到核主成分分析網(wǎng)絡的第二層濾波器：
式（9)中，<2)為第二層核主成分分析網(wǎng)絡的第h個濾波器，L2S第二層核主成分分析 網(wǎng)絡的濾波器個數(shù)，〇 <L2<kik2; 以及得到UL2幅第二層核主成分分析網(wǎng)絡的訓練輸出圖像：
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)絡的訓練輸出圖像I丨:er-"中的每幅圖像進行二值化 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)中的圖像進行重新分組，每。幅圖像分為一組，得到NA個圖像組，每個圖像 組包括L2幅圖像，對每個圖像組中的L2張進行加權(quán)求和得到一幅加權(quán)圖像，從而獲得N山： 個圖像組的加權(quán)圖像
式（12)對應著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)計各個塊的直方圖并將這B個塊的直方圖連接成一個向量：
由式（13)得到&幅訓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： 按照原始輸入的訓練圖像的標記，K幅訓練圖像中每幅圖像的主特征向量串聯(lián)起來， 得到所有訓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)以及每幅訓練圖像對應的原始標記輸入到分類器中，訓練出分類需要的參 數(shù)，獲得能夠?qū)D像進行分類的分類器。
【專利摘要】本發(fā)明公開一種基于核主成分分析網(wǎng)絡的圖像分類方法，包括以下步驟：（1）輸入并預處理訓練圖像，得到訓練圖像的局部特征矩陣，（2）建立一個兩層的核主成分分析網(wǎng)絡，獲得訓練圖像的主特征向量，（3）并用獲得的主特征向量訓練分類器；為了驗證分類的正確性，建立測試核主成分分析網(wǎng)絡對測試圖像進行測試。發(fā)明通過構(gòu)造一個兩層的核主成分分析網(wǎng)絡，能夠獲得圖像的非線性特征，使得圖像特征的描述更精確，分類也更為準確，對于圖像分類問題有著更高的正確率。
【IPC分類】G06K9-62
【公開號】CN104573729
【申請?zhí)枴緾N201510037296
【發(fā)明人】吳丹, 伍家松, 姜龍玉, 楊淳沨, 達臻, 舒華忠
【申請人】東南大學
【公開日】2015年4月29日
【申請日】2015年1月23日