基于低秩优化特征字典模型的图像分类方法

摘要

本发明提出一种基于低秩优化特征字典模型的图像分类方法，该方法的图像分类步骤如下：步骤S1：在图像上做特征点的监测和特征点的特征描述；步骤S2：构造为L层的空间金字塔，每层图像划分为2^L‑1个子块；步骤S3：用事先构造好的特征字典描述所有子块，并将字典表示系数串连起来，形成描述该图像的特征向量，其中，向量量化方法采用稀疏编码方式；步骤S4：用以上构造方法得到的特征向量训练分类器，对新入图像特征向量，利用分类器进行分类。为提高特征字典描述图像特征的能力，我们采用了低秩优化的方法构造特征字典，使得特征字典在描述同类图像时形成的特征向量更相近。在两个领域内公测数据库上的实验结果，证实了我们的方法的有效性。

主权项

一种基于低秩优化特征字典模型的图像分类方法，其特征在于，该图像分类方法的步骤如下：步骤S1：在图像上做特征点的监测和特征点的特征描述；步骤S2：将图像构造为L层的空间金字塔，每层图像划分为2^L‑1个子块；步骤S3：用低秩优化方法构造的特征字典来描述所有子块，并将各子块的字典表示系数串连起来，形成描述该图像的特征向量，其中，向量量化方法采用稀疏编码方式；步骤S4：用以上构造方法得到的特征向量训练分类器，对新入图像特征向量，利用分类器进行分类；特征字典的构造方法采用低秩优化的方法来求解，使得字典在描述同类图像时，字典表示系数更相似，系数矩阵秩更低，优化表达式如下：$min\underset{i=1}{\overset{C}{\Sigma }}\left(\right|\left|Z_i\right|{|}_{*}+\lambda \left|\right|E_i\left|{|}_{2,1}\right)$s.t. X_i＝DZ_i+E_i i＝1,2,...,C$\underset{m=1}{\overset{p}{\Sigma }}{d}_{mn}^2\le 1,n=1,2,...,k$其中，X_i为输入量，是以属于第i类的多个图像的特征向量作为列向量构成的矩阵，||Z_i||_*为矩阵的核范数，定义为该矩阵奇异值之和，为l₂/l₁范数，是规则项，用于描述数据噪声，λ参数决定了对噪声部分的偏重程度，若数据X_i中噪声较大，则λ取较大值，输入图像共C类，Z_i为第i类图像在字典D下的系数矩阵；基于多层次多粒度的图像表示，综合考虑图像各局部特征块之间的空间位置关系，提高图像描述的可分辨性；利用低秩优化得到的特征字典进行图像描述，在利用字典进行特征向量量化时，采用特征字典中稀疏个单词来表示新的特征，从而在减少重构误差的同时，将能量集中，有利于提高特征向量的可分辨性；对第l层中的第k个子块中特征描述子集合，采用最大化池的方法构造其特征向量如下：F_l＝[f₁,f₂,...,f_k]，其中，f_j＝max{|u_1j|,|u_2j|,...,|u_Mj|},然后，将每一层中的每一个子块的特征描述拼接起来得到最终的图像描述特征向量。