主权项 |
一种基于LRR‑LDA的图像特征提取方法,包括如下步骤:(1)将图像库中的每一幅图像转化为列向量并存储,得到向量集A,从向量集A中抽取部分向量,构成原始空间的训练样本集X=[X<sub>1</sub>,X<sub>2</sub>,...,X<sub>i</sub>,...,X<sub>C</sub>]∈R<sup>M×N</sup>,其中R表示实数域,M表示原始空间中训练样本的维度,C表示原始空间中训练样本的类别数,<img file="FDA0000994215240000011.GIF" wi="558" he="78" />N<sub>i</sub>表示第i类的训练样本数,<img file="FDA0000994215240000012.GIF" wi="230" he="69" />表示所有训练样本的总数;(2)利用编程软件随机生成投影矩阵P<sub>1</sub>∈R<sup>M×d</sup>,其中d为低维空间中训练样本的维度,且d<<M;(3)对投影矩阵进行更新,令k=1为当前迭代次数,设最大迭代步数为m,通过以下步骤实施;(3a)将构成原始空间中的训练样本集X中的所有训练样本,投影到d维空间上,得到d维空间的训练样本集<img file="FDA0000994215240000013.GIF" wi="355" he="71" />其中T表示对矩阵进行转置运算;(3b)利用线性判别分析方法LDA分别计算得到的d维空间的训练样本集Y的类间离散度矩阵S<sub>b</sub>和类内离散度矩阵S<sub>w</sub>;(3c)求解d维空间的训练样本集Y对应的低秩表示系数矩阵S,求解表达式为:min||S||<sub>*</sub>+γ||E||<sub>2,1</sub> s.t. Y=YS+E,其中E为噪声矩阵,γ为比例系数,||||<sub>*</sub>表示矩阵的核范数,||||<sub>21</sub>表示矩阵的21范数;(3d)利用求解所得的低秩表示系数矩阵S分别计算d维空间训练样本的类间残差离散度矩阵E<sub>b</sub>和类内残差离散度矩阵E<sub>w</sub>;(3e)利用计算得到的S<sub>b</sub>、S<sub>w</sub>、E<sub>b</sub>和E<sub>w</sub>构建广义特征方程,并求解该广义特征方程,按如下步骤实现:(3e1)构建广义特征方程:(E<sub>b</sub>+βS<sub>b</sub>)a<sub>i</sub>=λ<sub>i</sub>(E<sub>w</sub>+βS<sub>w</sub>)a<sub>i</sub> i=1,...d;其中权重系数β,λ<sub>i</sub>为特征值,a<sub>i</sub>为特征值λ<sub>i</sub>对应的特征向量;(3e2)求解广义特征方程的特征值λ<sub>i</sub>,并对d个特征值λ<sub>i</sub>由大到小进行排列,满足λ<sub>1</sub>≥...≥λ<sub>i</sub>...≥λ<sub>d</sub>;(3e3)利用特征值λ<sub>i</sub>对应的特征向量a<sub>i</sub>构造新的投影矩阵P<sub>k+1</sub>=[a<sub>1</sub>,...a<sub>i</sub>,...a<sub>d</sub>];(4)令k=k+1,判断k与m的大小,当k<m时,执行步骤(3a);当k=m时,输出最终的投影矩阵P<sub>m</sub>。 |