[发明专利]一种多类图像半监督分类方法及系统

权利要求书

1.一种多类图像半监督分类方法，其特征在于，包括：

对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图，计算得到权重系数矩阵,并对所述权重系数矩阵进行对称化、归一化处理；

根据所述训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵，其中，所述类标签矩阵中额外添加第(c+1)类用于检测异类/未发现的新颖类，c为有标签图像样本的总类别数；

引入l_2,1-范数正则化技术，非负约束，以及列和为1的约束，并基于所述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到“软类别标签”预测矩阵；

根据所述“软类别标签”预测矩阵表征的相似性概率，预测所述训练集中无标签图像样本的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；

利用所述训练模型对测试集中的无标签待分类的图像样本进行类别信息的预测，得到所述测试集中的无标签待分类的图像样本的类别标签，以实现对训练集以外数据的归纳过程。

2.根据权利要求1所述的方法，其特征在于，所述训练集和测试集的生成过程为：

接收图像样本集合，并将图像进行向量化描述；

从进行向量化描述后的图像样本集合中选出部分图像样本数据作为训练集，其余的图像样本数据作为测试集，其中，所述训练集中包含少量有标签图像样本和适量的无标签图像样本，所述测试集中包含大量无标签的待分类图像样本。

3.根据权利要求1所述的方法，其特征在于，所述对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图，计算得到权重系数矩阵，对所述权重系数矩阵进行对称化、归一化处理的过程为：

基于所述训练集进行K最近邻搜索，构造近邻图G，找出所述训练集中每个图像样本的K个最近邻的图像样本，所述训练集中的图像样本包括有标签图像样本和无标签图像样本；

采用Locally Linear Embedding(LLE)-重构权的构造方法，计算、衡量近邻图G中的顶点之间的相似性，构造权重系数矩阵；

将所述权重系数矩阵进行各行求和得到一个对角矩阵，其中，所述对角矩阵中的对角元素表征各个顶点在图中的重要性；

将所述权重系数矩阵对称化处理后，利用所述对角矩阵对其进行归一化处理，得到归一化后的权重系数矩阵。

4.根据权利要求1所述的方法，其特征在于，所述根据所述训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵的过程为：

初始化定义一个行、列数分别为c+1和N的类标签矩阵Y(所有元素均初始化为0)来表征所述训练集中所有图像样本的原始标签信息，其中，N是图像样本的总数；对有标签图像样本，若有标签图像样本x_j属于第i类，令Y(i,j)＝1,其中类别标签i属于集合{1,2,…,c}；对于无标签图像样本，若无标签图像样本x_j属于第c+1类，令Y(i,j)＝1,即上述的异类或未发现的新颖类样本。

5.根据权利要求4所述的方法，其特征在于，所述引入l_2,1-范数正则化技术，非负约束，以及列和为1的约束，并基于所述类标签矩阵及权重系数矩阵进行非负稀疏标签传播的迭代过程，得到“软类别标签”预测矩阵的过程为：

对标签传播算法加入l_2,1-范数正则化约束，非负约束，以及列和为一约束，保证基于所述类标签矩阵及权重系数矩阵进行非负稀疏标签传播的迭代过程中，传播的标签信息总是非负和足够稀疏的，其中，非负约束具体为：“软类别标签”预测标签矩阵F＝[f₁,f₂,…,f_N]中的元素总是非负的，满足任意f_i≥0；列和为一约束具体为：对F中的任意一个f_i，满足e^Tf_i＝1；

通过迭代过程，图像样本的标签信息得以充分传播，相邻顶点具有相似的标签信息，结果以“软类别标签”形式的预测标签矩阵输出，其中，各列f_i中的元素即为图像样本属于各个类别的概率。