[发明专利]基于核函数与稀疏编码的高清图像分类方法

说明书

技术领域

本发明涉及数字图像处理领域，具体涉及一种基于核函数与稀疏编码的高清图像分类方法。

背景技术

目前，随着计算机网络的迅速发展、数字媒体技术及智能信息处理技术的发展和广泛应用，大规模图像资源不断出现。面对着海量的图像信息，如何对图像进行分类或标注以便快速地、有效地从海量图像数据中检索出所感兴趣的图像已经人工智能和模式识别中的研究热点，在科学研究、国防军事、工业生产、航空航天、生物医学、交通监控等领域有着广泛的应用。

传统的方法是通过关键字对图像进行人工标注，但这种方法是非常耗时的，并具有较大的主观性，对于相同的图像，不同的人可能产生不同的标注结果，因此这个方法在当今“信息灾难”的时代是不可行的。

对图像分类的研究的几十年历史，期间涌现了各种基于不同理论的分类方法，但是，该领域一直没有形成一个统一的理论体系指导新的分类方法的设计与实现。近几年来，图像分类的常用方法包括统计方法和结构方法，但统计方法在图像分类领域中表现活跃，产生了很多新的方法，如神经网络方法、支持向量机（Support Vector Machine，SVM）方法及Boosting方法。根据实现方法的不同，统计方法可以分为：

1）非监督分类法：又称聚类分析法，根据模式之间的相似性进行类别划分，将相似性强的模式划分为同一个类别。该方法不需要对分类数据有较深入的了解，自适应地形成分类数据集，但分类效果在复杂数据中不太理想。

2）监督分类法：根据预先已知类别的训练样本，得到各类在特征空间的分布规模，并利用这个分布规律对未知数据进行分类方法。该方法充分利用分类数据的先验知识，并可通过反复检验训练样本，提高分类精度，因此该方法在高清图像分类中广泛应用。

目前支持向量机(SVM)广泛应用于图像分类领域并取得良好的分类效果，最早的支持向量机(SVM)方法是由Vapnik和Chervonenkis在“Support-Vector Networks,Machine Learning,20,1995.”一文中提出。支持向量机(SVM)是新型机器学习方法，具有完备的统计学习理论基础，它采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则，克服了神经网络受到网络结构复杂性和样本容量的影响大，容易出现过学习或低泛化能力的不足，对于小样本数据分析具有出色的学习能力和推广能力，在模式识别和函数估计中得到了有效的应用，但该方法仍存在以下问题：

（1）SVM方法对大规模训练样本难以实施，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。

（2）SVM方法的复杂度会随特征个数的增加而快速增加，用来训练分类器和测试结果的样本数量会随着特征的数量呈指数关系增长；若增加适应性不强的特征或者与已有特征有较强相关性的特征，反而会使分类器的分类能力下降，降低系统识别分类的能力。

发明内容

本发明的目的是对高清图像提供一种分类方法，该方法能够解决目前监督分类方法的分类速度慢、复杂度随着特征个数增加而指数增长、相关性不强的特征影响分类精度的问题。

本发明提供一种基于核函数与稀疏编码的高清图像分类方法，包括以下步骤：提取每张高清图像的视觉特征；对视觉特征的欧氏空间进行核函数映射；根据变换后的视觉特征生成高清图像类别的稀疏编码；依据所述的高清图像类别的稀疏编码建立图像非线性分类器，确定所述高清图像所属的类别。

较佳地，所述提取每张高清图像的视觉特征包括：提取每张图像的颜色、纹理、形状、方向梯度直方图、尺度不变特征转换特征作为其视觉特征X=[X¹,…,X^K]，其中，K为视觉特征的数量。

较佳地，所述对视觉特征的欧氏空间进行核函数映射包括：对所述的视觉特征进行核函数映射将视觉特征的欧氏空间变换成度量空间。

较佳地，所述根据变换后的视觉特征生成高清图像类别的稀疏编码包括：定义高清图像相互间的线性表示为

定义高清图像的重构误差为

根据重构误差最优化和编码尽量稀疏原则，确定高清图像类别的稀疏编码。

较佳地，所述根据重构误差最优化和编码尽量稀疏原则，确定高清图像类别的稀疏编码的步骤包括：