一种基于高阶图结构p‑Laplacian稀疏编码的数字图像标记方法

摘要

本发明所述的一种基于p‑Laplacian稀疏编码的数字图像标记方法，包括如下步骤：(1)提取图像特征，包括已标记图像、未标记图像、用户输入图像；(2)计算图像库(包括已标记图像和未标记图像)中图像样本的高阶图结构p‑Laplacian信息；(3)基于p‑Laplacian计算图像的稀疏编码；(4)基于图像的稀疏编码学得到预测模型；(5)基于预测模型对未标记图像及用户输入图像进行标记；(6)结束。本发明中对于图像的表示主要侧重于图像特征的表示，涉及图像样本分布高阶图结构信息，更精确的表示图像样本的内在联系，更加有效的进行图像标记。

主权项

一种基于p‑Laplacian稀疏编码的数字图像标记方法，包括如下步骤：(1)通过图像标记装置对用户输入的新图像进行标记后，生成图像特征；(2)结合图像特征计算数字图像库中图像样本的高阶结构信息p‑Laplacian进行字典学习，假设X代表图像特征矩阵，D代表学习字典，W代表图像稀疏编码，Δ_pW代表图像样本高阶图结构p‑Laplacian信息：a.先初始化操作，设定用来平衡目标函数中的后面两项的比重的γ₁，γ₂，设定字典元素数目并生成D；b.固定字典D，通过求解问题${\min }_W\frac{1}{2}\left|\right|X-DW|{|}_F^2+{\gamma }_1<W,{\Delta }_{p}W)+{\gamma }_2\left|\right|W|{|}_1$计算图像对应的稀疏编码W；c.固定稀疏编码W，通过求解问题计算特征字典D；d.判断是否满足收敛条件，若不满足收敛条件，返回到步骤b继续计算W，若满足收敛条件，则结束；步骤b至d构成了一个循环体，在循环体内部迭代交替计算特征字典D和稀疏编码W，在上述循环过程结束后，获得了基于图像库的特征字典D，同时也获得了图像库中图像的稀疏编码W；e.计算样本的高阶图结构p‑Laplacian信息Δ_pW的方法如下：A.起始状态，假设图像库中图像构成的图结构为G_ω＝(V,E)，其中V代表N个图像样本点的组成集合，E代表图像样本点连接的边集合，ω代表样本点邻接关系的权重计算函数，图像样本点与其标记概念间存在函数关系f：V→R；B.计算样本点的邻接关系权重ω，ω有不同的具体计算形式，这里采用基于Gaussian RBF核函数的任意样本点u和ν的临界关系权重为式中a是参数，控制整个结果不要过大或者过小的，exp(.)是一个指数函数，就是以e为底的指数为括号里的数的函数，χ_u、χ_υ分别代表u样本点和v样本点的属性值；C.计算样本点ν的加权梯度其中，u～ν表示样本点u是点ν的邻接点，是加权梯度；D.计算样本点ν的p‑Laplacian信息(Δ_pf)_v＝∑_u～vr_uv(f_v‑f_u)，其中E.ν＝ν+1，迭代算法，计算完了第v个点就要计算第v+1个点；F.比较ν与N，若ν<N则返回步骤C继续计算样本点ν的加权梯度；若ν>N则结束；步骤C到E是一个循环体，在循环体内部计算每一个样本点p‑Laplacian信息；(3)根据得到的字典计算图像的稀疏编码作为图像表示；(4)对得到图像稀疏编码使用预设的分类方法进行训练得到所需的预测模型；(5)根据训练得到的预测模型对数字图像中待标记的数字图像和用户新输入的图像进行标记；(6)结束。