一种基于幅频特征稀疏滤波的图像分类方法

摘要

本发明提供一种基于幅频特征稀疏滤波的图像分类方法，步骤具体为：1)获取待分类图像数据的一个子集，格式化为统一维度的图像数据矩阵X；2)生成维度为f*n的基矩阵U和维度为n*m的稀疏系数矩阵A；3)对矩阵A或图像数据矩阵X进行调和变换，获得幅频特征矩阵F；4)通过约束条件，执行迭代优化；5)重复执行4)，至目标函数值达到预期的目标或迭代次数达到设定值；6)用基矩阵U和新的待分类图像矩阵Z，生成矩阵Z的稀疏系数矩阵B；7)选择分类器，矩阵B作为分类器输入，获取分类结果。本发明能够有效避免直接使用L‑1范数约束稀疏度的过拟合问题；减少优化项，提高优化效率；节省计算资源，提高分类器的分类精度，具有广阔应用前景。

主权项

一种基于幅频特征稀疏滤波的图像分类方法，其特征在于，该图像分类方法包括以下步骤：第一步，训练数据获取阶段获取待分类图像数据后，选取一个子集作为训练数据，格式化为m*(w*h)维度的图像数据矩阵X；其中，m为样本数目，w、h为单个图像的长、宽；设f＝w*h为图像原始特征空间维度，即待分类图像中像素点的个数；第二步，初始化阶段设置稀疏特征数目为n，其中，n<f，随机生成元素数值在0～1之间的两个二维矩阵，分别为维度为f*n的基矩阵U和维度为n*m的稀疏系数矩阵A；第三步，变换阶段对稀疏系数矩阵A或图像数据矩阵X进行调和变换，获得幅频特征矩阵F；第四步，优化建立阶段将幅频特征矩阵F的协方差矩阵的和的L‑2范数的相反数作为F的能量，记为E(F)；设幅频特征矩阵F的第i个列向量的协方差矩阵为R(F_i)，则稀疏度约束函数spi＝λ||X‑UA||₂+E(F)；其中，λ为能量约束系数，取0.5；重构矩阵Y＝UA为基矩阵U和稀疏系数矩阵A的乘积；i、j分别表示幅频特征矩阵F的维度坐标；第五步，优化迭代阶段以稀疏度约束函数为目标函数，通过约束目标函数中图像数据矩阵X与重构矩阵Y的能量差最小，以及幅频特征矩阵F的能量最大，选取梯度下降算法，执行迭代优化；所述的梯度下降算法具体为：目标函数spi对稀疏系数矩阵A，基矩阵U的梯度更新矩阵函数分别为：$G_{spi/A}=-U^{T}X+U^{T}UA+\partial E/\partial A$ G_spi/U＝‑XA^T+(UA)A^T设置迭代次数，通过以上两个梯度更新矩阵，执行以spi函数为目标函数的迭代优化，至目标函数值达到预期的目标或者迭代次数达到预先设定的最大值，梯度下降算法结束；第六步，生成阶段设新的待分类图像数据矩阵为Z，由第五步得到的基矩阵U和待分类图像数据矩阵Z生成矩阵Z的稀疏系数矩阵B，即B＝U^‑1Z；第七步，分类阶段将稀疏系数矩阵B作为分类器的输入矩阵，执行分类。