專利名稱：基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法。該方法 對(duì)圖像數(shù)據(jù)進(jìn)行特征提取表示為特征向量，并尋找有效的降維方法將其投影到低維語(yǔ)義空 間，從而通過(guò)訓(xùn)練分類器模型實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的分類。
背景技術(shù)：
隨著數(shù)字照相機(jī)普及和互聯(lián)網(wǎng)發(fā)展，圖像數(shù)據(jù)采集、存儲(chǔ)和訪問(wèn)數(shù)量呈爆炸式增 長(zhǎng)，如何對(duì)規(guī)模日益龐大的圖像數(shù)據(jù)進(jìn)行高效管理變得日益重要。為了對(duì)圖像進(jìn)行更好管 理，一個(gè)有效手段便是對(duì)圖像數(shù)據(jù)分門(mén)別類地進(jìn)行管理。因此，對(duì)圖像數(shù)據(jù)進(jìn)行分類已成為 近年來(lái)熱點(diǎn)研究問(wèn)題。在圖像分類的研究中，所面臨的最大挑戰(zhàn)是語(yǔ)義鴻溝，即圖像底層特征無(wú)法充分 反映其高層語(yǔ)義。鑒于以數(shù)據(jù)驅(qū)動(dòng)為中心的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)分析等理論所取得進(jìn)展，為了 克服語(yǔ)義鴻溝，一個(gè)有效手段是在提取圖像底層特征基礎(chǔ)上，應(yīng)用機(jī)器學(xué)習(xí)理論，訓(xùn)練得到 圖像語(yǔ)義的抽象表達(dá)，然后基于該表達(dá)，再對(duì)圖像進(jìn)行聚類與分類。在這個(gè)過(guò)程中，有監(jiān)督 學(xué)習(xí)分類算法被大量使用。雖然有監(jiān)督算法可有效提高圖像表達(dá)準(zhǔn)確性，但是現(xiàn)有監(jiān)督算 法仍然存在局限性，尤其是獲得精確標(biāo)注信息需要耗費(fèi)大量時(shí)間。隨著圖像數(shù)據(jù)數(shù)量快速 增長(zhǎng)，無(wú)標(biāo)注數(shù)據(jù)獲取更加便利，使得僅能單純處理標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)算法局限性更為 明顯?？紤]到帶有標(biāo)注信息的數(shù)據(jù)較難獲得，而未標(biāo)注數(shù)據(jù)則相對(duì)容易獲得，半監(jiān)督算法逐 漸吸引了越來(lái)越多研究者注意。

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種基于局部樣條嵌入的正交半監(jiān)督 子空間圖像分類方法?；诰植繕訔l嵌入的正交半監(jiān)督子空間圖像分類方法包括如下步驟1)對(duì)每個(gè)圖像數(shù)據(jù)集選取η個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集包括有標(biāo)注信息的訓(xùn) 練樣本和未標(biāo)注信息的訓(xùn)練樣本，其余作為測(cè)試集；2)利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣；3)利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布，通過(guò)局 部樣條嵌入方式構(gòu)造拉普拉斯矩陣；4)根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌入正交 半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維，得到低 維特征向量訓(xùn)練樣本；5)采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模型；6)對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò)分類器 模型進(jìn)行分類。所述的利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣步驟為給
5定屬于c類的η個(gè)樣本所組成的訓(xùn)練集合X = Ix1,..，Xl，χ1+1，...，χη}，其中χ, € Rdxl，i = 1，...，n，前1個(gè)樣本{x』=1具有類別標(biāo)注信息O^L e{l,2,...,c}，剩余n-1個(gè)樣本{ }；1/+1沒(méi)有
被標(biāo)注，利用包含標(biāo)注信息訓(xùn)練樣本& ν構(gòu)造類間散度矩陣民=ILhiMw -μΧμ μ
和類內(nèi)散度矩陣&廣-廣，其中，ik表示屬于第k類的訓(xùn)練樣本
個(gè)數(shù)，w表示第k類中第i個(gè)樣本，//=Itx,為 v均值，+ 表示第k類中樣
本均值。所述的利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布，通 過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯矩陣步驟為1)假定給定樣本X,. € Rd的k近鄰數(shù)據(jù)的局部低維嵌入坐標(biāo)和全局低維嵌入坐標(biāo) 為G 6IT和力e Rm，1彡i彡n，1彡j彡k，對(duì)于m維中的每一分量，分別構(gòu)造一個(gè)樣條函
數(shù)g(t)，使得t = g(tj)；對(duì)如下函數(shù)廠晚))2+義彳⑷進(jìn)行最小化，得至1J
樣條函數(shù)g，其中λ >ο是一個(gè)正則化參數(shù)，<是樣條函數(shù)g在d維空間里的罰函數(shù)，當(dāng)
g⑴ sZ^^W + X^MO時(shí)，上式存在唯一解，其中 1 = (d+s-Ι) ！ /(d ！ (S-I)!)，
{巧(0};構(gòu)成了一個(gè)階數(shù)不小于s的多項(xiàng)式空間，2s > d，Φ」α)是一個(gè)格林函數(shù)， "^[/^^, . ,^felRiP β = [βι; β2,... , β Jt 是系數(shù)向量；2)通過(guò)解下面的線性方程組獲得系數(shù)向量η和β 其中f =比，…，幻，乂= f P，K是一個(gè)kXk的對(duì)稱矩陣，Kij 3)對(duì)于m維中的每一分量，τ (g)由全局坐標(biāo)f來(lái)表達(dá)，將m維中值τ (g)累加起 來(lái)，對(duì)于第i個(gè)樣本Xi，得到目標(biāo)值為 其中巧二[人,乂2,...,厶]e Rmxt，將所有n個(gè)訓(xùn)練數(shù)據(jù)的目標(biāo)值加起來(lái)，得到總體的目標(biāo)值 令L' = SBST，這樣就得到了基于局部樣條嵌入的拉普拉斯矩陣L'。所述的根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌入 正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維，得 到低維特征向量訓(xùn)練樣本步驟為
1)通過(guò)學(xué)習(xí)得到正交投影矩陣α e Mdxm，m < d，能保證訓(xùn)練樣本在經(jīng)過(guò)a降維后 類間離散度盡量大和類內(nèi)離散度盡量小，同時(shí)使得原始空間中相鄰樣本在投影后低維子空 間中仍然相鄰，即求解以下最優(yōu)化問(wèn)題 這樣，可通過(guò)求解矩陣的廣義特征根得到優(yōu)化的投影矩陣a ；2)由投影矩陣a實(shí)現(xiàn)對(duì)原始高維特征向量的維度降低，從而獲得圖像數(shù)據(jù)的低維 表達(dá) X' = aTX。所述的采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模型
步驟為分類器模型的輸入是經(jīng)過(guò)正交投影矩陣a降維得到的低維特征向量
及相應(yīng)的類別標(biāo)識(shí)e {+1，-1}，輸出是分類器模型的張量超平面參數(shù)>1；￡股7^1和
通過(guò)求解最優(yōu)化問(wèn)題
得到和b，其中C是常量，ξ是
松弛因子。所述的對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò) 分類器模型進(jìn)行分類步驟為訓(xùn)練樣本集合外的測(cè)試樣本數(shù)據(jù)elT^"由正交投影 矩陣a映射為低維子空間中的
然后通過(guò)分類器模型進(jìn)行類別檢測(cè)，即計(jì)算
來(lái)得到測(cè)試數(shù)據(jù)的類別標(biāo)識(shí)yt 本發(fā)明有效利用了有標(biāo)注訓(xùn)練樣本和未標(biāo)注訓(xùn)練樣本，通過(guò)局部樣條回歸將局部 低維嵌入坐標(biāo)映射成全局低維嵌入坐標(biāo)，保持了圖像數(shù)據(jù)集合的流形空間本征結(jié)構(gòu)。有效 地解決了高維度帶來(lái)的困難，通過(guò)對(duì)降維后的數(shù)據(jù)采用支持向量機(jī)來(lái)訓(xùn)練分類器模型并對(duì) 測(cè)試數(shù)據(jù)分類，取得了比傳統(tǒng)的分類方法更準(zhǔn)確的分類結(jié)果。


圖1是基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法流程圖；圖2是舉例本發(fā)明的5幅圖像分類結(jié)果。
具體實(shí)施例方式基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法包括如下步驟 1)對(duì)每個(gè)圖像數(shù)據(jù)集選取η個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集包括有標(biāo)注信息的訓(xùn) 練樣本和未標(biāo)注信息的訓(xùn)練樣本，其余作為測(cè)試集；2)利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣；3)利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布，通過(guò)局 部樣條嵌入方式構(gòu)造拉普拉斯矩陣；4)根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌入正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維，得到低 維特征向量訓(xùn)練樣本；5)采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模型；6)對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò)分類器 模型進(jìn)行分類。所述的利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣步驟為給 定屬于c類的η個(gè)樣本所組成的訓(xùn)練集合X = Ix1, ..,X1, χ1+1,... , χη}，其中;c, e Riftd , i = 1，...，n，前1個(gè)樣本伐}丨=1具有類別標(biāo)注信息{只}丨=1 e{1,2,...,c}，剩余n-1個(gè)樣本{xX/+1沒(méi)有
被標(biāo)注，利用包含標(biāo)注信息訓(xùn)練樣本&·^構(gòu)造類間散度矩陣&Af
Ix///=1k=\
和類內(nèi)散度矩陣夂w)，其中，表示屬于第k類的訓(xùn)練樣本
k=\ /=1
個(gè)數(shù)，w表示第k類中第i個(gè)樣本，為v均值，表示第k類中樣
XiI /=1 lX/)/=l U i=l
本均值。所述的利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布，通 過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯矩陣步驟為1)假定給定樣本X,. e Rrf的k近鄰數(shù)據(jù)的局部低維嵌入坐標(biāo)和全局低維嵌入坐標(biāo) 為G 6 Rm和力e Rm，i彡i彡n，i彡j彡k，對(duì)于m維中的每一分量，分別構(gòu)造一個(gè)樣條函
數(shù)g(t)，使得A = g(tj)；對(duì)如下函數(shù)= 廠映))2+A彳⑷進(jìn)行最小化，得到
紀(jì)J=I
樣條函數(shù)g，其中λ >0是一個(gè)正則化參數(shù)，<是樣條函數(shù)g在d維空間里的罰函數(shù)，當(dāng) 沖) = ⑴+ "為⑴時(shí)，上式存在唯一解，其中1 = (d+s-l) ！ /(d ！ (s-1) ！)，
{巧⑴}^構(gòu)成了一個(gè)階數(shù)不小于S的多項(xiàng)式空間，2s > d，Φ」α)是一個(gè)格林函數(shù)， ；；= I^1, "2，.·.,％『eIR* 禾口 β = β2,... , β Jt 是系數(shù)向量；2)通過(guò)解下面的線性方程組獲得系數(shù)向量η和β 其中
K 是一個(gè) kXk 的對(duì)稱矩陣，Kij
=Φ ( Il t.-tj II), P 是一個(gè) IXk 的矩陣，Pij = Pjtj)，得到 τ (g) = fTBf3)對(duì)于m維中的每一分量，τ (g)由全局坐標(biāo)f來(lái)表達(dá)，將m維中值τ (g)累加起 來(lái)，對(duì)于第i個(gè)樣本Xi，得到目標(biāo)值為

其中巧,…,厶]eR-，將所有n個(gè)訓(xùn)練數(shù)據(jù)的目標(biāo)值加起來(lái)，得到總體的目標(biāo)值 令L' = SBST，這樣就得到了基于局部樣條嵌入的拉普拉斯矩陣L'。所述的根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌入 正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維，得 到低維特征向量訓(xùn)練樣本步驟為1)通過(guò)學(xué)習(xí)得到正交投影矩陣ω e Rdxm，m < d，能保證訓(xùn)練樣本在經(jīng)過(guò)a降維后 類間離散度盡量大和類內(nèi)離散度盡量小，同時(shí)使得原始空間中相鄰樣本在投影后低維子空 間中仍然相鄰，即求解以下最優(yōu)化問(wèn)題 s. t. aTa = I這樣，可通過(guò)求解矩陣的廣義特征根得到優(yōu)化的投影矩陣a ；2)由投影矩陣a實(shí)現(xiàn)對(duì)原始高維特征向量的維度降低，從而獲得圖像數(shù)據(jù)的低維 表達(dá) X' = aTX。所述的采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模型 步驟為分類器模型的輸入是經(jīng)過(guò)正交投影矩陣a降維得到的低維特征向量X’, Ii= 乂式以 及相應(yīng)的類別標(biāo)識(shí)yi e {+1，-1}，輸出是分類器模型的張量超平面參數(shù)!4；￡股 ^和辦曰膠；
坊去Hl2+也
通過(guò)求解最優(yōu)化問(wèn)題,τ , ‘-1
st ^(WrXi
松弛因子。所述的對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò) 分類器模型進(jìn)行分類步驟為訓(xùn)練樣本集合外的測(cè)試樣本數(shù)據(jù)A由正交投影
矩陣a映射為低維子空間中的I/,然后通過(guò)分類器模型進(jìn)行類別檢測(cè)，即計(jì)算
yt = sign(wT χ Xt')+ b，來(lái)得到測(cè)試數(shù)據(jù)的類別標(biāo)識(shí)yt e {+1，-1}。實(shí)施例1.對(duì)每個(gè)圖像數(shù)據(jù)集選取η個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集包括有標(biāo)注信息的訓(xùn) 練樣本和未標(biāo)注信息的訓(xùn)練樣本，其余作為測(cè)試集；2.利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣給定屬于c類的η個(gè)樣本所組成的訓(xùn)練集合X = Ix1, . . , X1, x1+1, . . .，xn}，其中 χ丨e Mdxl，i = 1，...，n，前1個(gè)樣本具有類別標(biāo)注信息{只}。e {l,2,...,c}，剩余n_l個(gè) 樣本^KU1沒(méi)有被標(biāo)注。利用包含標(biāo)注信息訓(xùn)練樣本{1,}丨=1構(gòu)造類間散度矩陣Sb和類內(nèi)散 度矩陣Sw Sb =YjI^-μ){μ^-μ)Τ
k=l
得到和b，其中c是常量，ξ是
Weirxl
9
其中，Ik表示屬于第k類的訓(xùn)練樣本個(gè)數(shù)
，表示第k類中第i個(gè)樣本…=丨g X,
為，^均值
表示第讓類中樣本均值。3.利用整體訓(xùn)練樣本數(shù)據(jù)的特征空間分布，通過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯 矩陣假定給定樣本χ, e Rd的k近鄰數(shù)據(jù)的局部低維嵌入坐標(biāo)和全局低維嵌入坐標(biāo)為 tj e “和力e『，1彡i彡n，1彡j彡k。對(duì)于m維中的每一分量，希望分別構(gòu)造一個(gè)樣條 函數(shù)g (t)，使得如下插值條件成立fj = g(tj), j = 1,2, ...Λ (1)為了得到樣條函數(shù)g，最小化如下函數(shù) 其中λ >0是一個(gè)正則化參數(shù)，<是樣條函數(shù)g在d維空間里的罰函數(shù)。在一定條件下，存在一個(gè)唯一的樣條函數(shù)使得公式(2)中樣條函數(shù)g(t)最小化 其中l(wèi)=(d+s_l)! /(d ！ (s-1)! )，{巧⑴}、構(gòu)成了一個(gè)階數(shù)不小于s的多項(xiàng) 式空間，2s > d。Φ」α)是一個(gè)格林函數(shù)。為了保證解的唯一性，還需要滿足如下邊界條件 k 當(dāng)滿足式(4)時(shí)，式(3)中的函數(shù)Φ」(·)是條件正定的。將式(1)和式⑷代入式(3)，系數(shù)向量Z7= [T7lJ2,".^feKi, β =
β 2，...，β Jt通過(guò)解下面的線性方程組獲得 其中
e股，κ是一個(gè)kX k的對(duì)稱矩陣，K
=Mlltftj ||)，P是一個(gè)IXk的矩陣，Pij = PiU^因?yàn)棣怠?·)是一條件正定函數(shù)， 因此上述方程組存在唯一解?；?jiǎn)式(2)得τ (g) oc η τκ η = fTBf(5)其中B是々—1中大小為kXk最左上子矩陣。根據(jù)式(5)，對(duì)于m維中的每一分量，式⑵的值τ (g)可以由全局坐標(biāo)f來(lái)表達(dá)。將m維中值τ (g)累加起來(lái)，對(duì)于第i個(gè)樣本Xi，得到目標(biāo)值為 其中巧 將所有η個(gè)訓(xùn)練數(shù)據(jù)的目標(biāo)值加起來(lái)，得到總體的目標(biāo)值 其中5 = JMg(辟,..” ^JeR*"*, S = ^S2,...SJeRnxnk ,F = Lf1, f2, ... , f J ,
S 是列選擇矩陣，使得Fi = FSi0令L' = SBSt，這樣就得到了基于局部樣條嵌入的拉 普拉斯矩陣L'。4.根據(jù)局部樣條嵌入的正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣實(shí)現(xiàn)對(duì)原始高 維特征向量的維度降低1)通過(guò)學(xué)習(xí)得到正交投影矩陣Rrfxi"，m< d，能保證訓(xùn)練樣本在經(jīng)過(guò)a降維后 類間離散度盡量大和類內(nèi)離散度盡量小，同時(shí)使得原始空間中相鄰樣本在投影后低維子空 間中仍然相鄰。即求解以下最優(yōu)化問(wèn)題 這樣，可通過(guò)求解矩陣的廣義特征根得到優(yōu)化的投影矩陣a 2)由投影矩陣a實(shí)現(xiàn)對(duì)原始高維特征向量的維度降低，從而獲得圖像數(shù)據(jù)的低維 表達(dá) X' = aTX。5.采用支持向量機(jī)對(duì)降維后的訓(xùn)練樣本集合建立分類器模型分類器模型的輸入是經(jīng)過(guò)正交投影矩陣a降維得到的低維特征向量允,I；= 乂式以 及相應(yīng)的類別標(biāo)識(shí)Yi e {+1，-1}，輸出是分類器模型的張量超平面參數(shù)WeRM1和 6.對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò)分類器 模型進(jìn)行分類訓(xùn)練樣本集合外的測(cè)試樣本數(shù)據(jù)；G Ki^^由正交投影矩陣a映射為低維子空間
中的Z； SlTp^，然后通過(guò)分類器模型進(jìn)行類別檢測(cè)，即計(jì)算
得到測(cè)試數(shù)據(jù)的類別標(biāo)識(shí) 圖2給出了本發(fā)明的5幅圖像分類結(jié)果。
得到和b，其中c是常量，ξ是
權(quán)利要求
一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法，其特點(diǎn)在于包括如下步驟1)對(duì)每個(gè)圖像數(shù)據(jù)集選取n個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集包括有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本，其余作為測(cè)試集；2)利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣；3)利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布，通過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯矩陣；4)根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌入正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維，得到低維特征向量訓(xùn)練樣本；5)采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模型；6)對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再通過(guò)分類器模型進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法， 其特點(diǎn)在于所述的利用有標(biāo)注信息的訓(xùn)練樣本構(gòu)造類間散度矩陣和類內(nèi)散度矩陣步驟為 給定屬于c類的η個(gè)樣本所組成的訓(xùn)練集合 其中\(zhòng) e Erfxl，i = 1，. . .，n，前1個(gè)樣本{1,}丨=1具有類別標(biāo)注信息伙}丨=1 e {1,2,...,c}，剩余n_l個(gè)樣本{xJL+Γ沒(méi)有被標(biāo)注，利用包含標(biāo)注信息訓(xùn)練樣本& V構(gòu)造類間散度矩陣 和類內(nèi)散度矩陣& 其中，ik表示屬于第k類的訓(xùn)練樣本k=\ /=1個(gè)數(shù)，w表示第k類中第i個(gè)樣本，為/ ν均值 廣表示第k類中樣 XiI /=1 iXi //=1U '=I本均值。
3.根據(jù)權(quán)利要求1所述的一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法， 其特點(diǎn)在于所述的利用有標(biāo)注信息的訓(xùn)練樣本和未標(biāo)注信息的訓(xùn)練樣本的特征空間分布， 通過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯矩陣步驟為1)假定給定樣本Rd的k近鄰數(shù)據(jù)的局部低維嵌入坐標(biāo)和全局低維嵌入坐標(biāo)為 tj ^ ^“和力e Rm，1彡i彡n，1彡j彡k，對(duì)于m維中的每一分量，分別構(gòu)造一個(gè)樣條函數(shù)g(t)，使得 ·」=gap ；對(duì)如下函數(shù) 進(jìn)行最小化，得到 樣條函數(shù)g，其中λ >0是一個(gè)正則化參數(shù)，是樣條函數(shù)g在d維空間里的罰函數(shù)，當(dāng) = Σ屬凡⑴+ ⑴時(shí)，上式存在唯一解，其中 {巧⑴丨^構(gòu)成了一個(gè)階數(shù)不小于s的多項(xiàng)式空間 是一個(gè)格林函數(shù)， ；/^[^,^,...,^reRiP β = [βι; β2,... , βΥ 是系數(shù)向量；2)通過(guò)解下面的線性方程組獲得系數(shù)向量η和β 是一個(gè) IXk 的矩陣，Pij = Piaj),得到 τ (g) =fTBf3)對(duì)于m維中的每一分量，τ (g)由全局坐標(biāo)f來(lái)表達(dá)，將m維中值τ (g)累加起來(lái)， 對(duì)于第i個(gè)樣本Xi，得到目標(biāo)值為 將所有η個(gè)訓(xùn)練數(shù)據(jù)的目標(biāo)值加起來(lái)，得到總體的目標(biāo)值 E(F)^ei =YHFiBiFj) = tr{FSBST Ft) ，這樣就得到了基于局部樣條嵌入的拉普拉斯矩陣L'。
4.根據(jù)權(quán)利要求1所述的一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法， 其特點(diǎn)在于所述的根據(jù)類間散度矩陣和類內(nèi)散度矩陣以及拉普拉斯矩陣構(gòu)成局部樣條嵌 入正交半監(jiān)督子空間模型，通過(guò)尋找轉(zhuǎn)換矩陣來(lái)對(duì)原始高維特征向量訓(xùn)練樣本進(jìn)行降維， 得到低維特征向量訓(xùn)練樣本步驟為1)通過(guò)學(xué)習(xí)得到正交投影矩陣βe Mrfxm，m < d，能保證訓(xùn)練樣本在經(jīng)過(guò)a降維后類間 離散度盡量大和類內(nèi)離散度盡量小，同時(shí)使得原始空間中相鄰樣本在投影后低維子空間中 仍然相鄰，即求解以下最優(yōu)化問(wèn)題aopt = arg max tr[(aT (Sw + yXLXT )α)~λ aTSba]a<5. . ￡1 ￡1 — I這樣，可通過(guò)求解矩陣的廣義特征根得到優(yōu)化的投影矩陣a ；2)由投影矩陣a實(shí)現(xiàn)對(duì)原始高維特征向量的維度降低，從而獲得圖像數(shù)據(jù)的低維表達(dá)X! — & X ο
5.根據(jù)權(quán)利要求1所述的一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法， 其特點(diǎn)在于所述的采用支持向量機(jī)對(duì)降維后的低維特征向量訓(xùn)練樣本集合建立分類器模 型步驟為分類器模型的輸入是經(jīng)過(guò)正交投影矩陣a降維得到的低維特征向量^arXi 以及相應(yīng)的類別標(biāo)識(shí)Yi e {+1，-1}，輸出是分類器模型的張量超平面參和通過(guò)求解最優(yōu)化問(wèn)題1 2 min -IIwII + C^jξ Kb,ξ 2 ‘St γ^τχ\^υ)>\-ξ beR ；L" ^ ^0量，ξ是松弛因子。
6.根據(jù)權(quán)利要求1所述的一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方 法，其特征在于所述的對(duì)于測(cè)試數(shù)據(jù)集，由訓(xùn)練集合計(jì)算得到的投影矩陣進(jìn)行投影后，再得到和b，其中c是常WGRmx1通過(guò)分類器模型進(jìn)行分類步驟為訓(xùn)練樣本集合外的測(cè)試樣本數(shù)據(jù)& eITix"由正交投 影矩陣a映射為低維子空間中的X；，然后通過(guò)分類器模型進(jìn)行類別檢測(cè)，即計(jì)算yt =5繪《(>/\不_) +辦，來(lái)得到測(cè)試數(shù)據(jù)的類別標(biāo)識(shí)、e {+1，-1}。
全文摘要
本發(fā)明公開(kāi)了一種基于局部樣條嵌入的正交半監(jiān)督子空間圖像分類方法。包括如下步驟1)對(duì)圖像數(shù)據(jù)集選取n個(gè)樣本作為訓(xùn)練集，包括有標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)，其余作為測(cè)試集；2)利用有標(biāo)注數(shù)據(jù)構(gòu)造類間散度矩陣和類內(nèi)散度矩陣；3)利用整體訓(xùn)練數(shù)據(jù)特征空間分布，通過(guò)局部樣條嵌入方式構(gòu)造拉普拉斯矩陣；4)根據(jù)局部樣條嵌入正交半監(jiān)督子空間模型，尋找投影矩陣對(duì)原始高維特征向量進(jìn)行降維；5)采用支持向量機(jī)對(duì)降維后訓(xùn)練樣本建立分類器；6)利用投影矩陣對(duì)測(cè)試集進(jìn)行降維，再通過(guò)分類器對(duì)降維后的測(cè)試集進(jìn)行分類。本發(fā)明充分利用了圖像樣本標(biāo)注和特征空間分布等信息，能挖掘圖像數(shù)據(jù)之間潛在語(yǔ)義關(guān)聯(lián)，對(duì)圖像語(yǔ)義進(jìn)行了較好的分析與表達(dá)。
文檔編號(hào)G06K9/62GK101916376SQ20101022013
公開(kāi)日2010年12月15日 申請(qǐng)日期2010年7月6日 優(yōu)先權(quán)日2010年7月6日
發(fā)明者張寅 , 朱科, 邵建 申請(qǐng)人:浙江大學(xué)