[发明专利]一种具备极大化知识利用能力的半监督图像分类方法

权利要求书

1.一种具备极大化知识利用能力的半监督图像分类方法，其特点是，按照如下定义和步骤实施：

定义1：数据集表示分类器训练所需的l个有标签的样本和u个无标签样本，y_i∈{+1,-1}(i＝1,...,l)为这l个有标签样本的样本标签；

定义2：f(.)表示分类决策函数，H_K为再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)，K为核函数，这里用的是径向基核函数，计算方式为σ为核宽带；

定义3：f＝[f₁,...,f_l,f_l+1,...,f_l+u]^T为数据集根据分类决策函数f(.)得到的预测值，f_i(i＝1,...,l+u)；

定义4：成对约束集MS和CS这里由提供的样本标签转换过来的；

定义5：W_ij∈W(i,j＝1,...,u+l)为数据集X邻接矩阵的边权，L＝D-W是图拉普拉斯矩阵，D是对角矩阵，

定义6：Q_ij∈Q(i,j＝1,...,u+l)表示了标记样本间的成对约束关系，其矩阵元素Q_ij的计算如式(2)，Z＝H-Q类似于图拉普拉斯矩阵形式，H是对角矩阵，H＝diag(Q·1_(l+u)×1)，其中，1_(l+u)×1为(l+u)×1的矩阵且矩阵元素全为1；

定义7：流行正则化(Manifold Regularization)形式：

||f||I2=1(u+l)2Σi,j=1l+u(f(xi)-f(xj))2Wij=1(u+l)2fTLf,---(3)]]>

定义8：成对约束正则化形式：

minf(Σ<i,j>∈MS(fi-fj)2|MS|-Σ<p,q>∈CS(fp-fq)2|CS|),---(4)]]>

式中，i,j,p,q为X中样本序号，i,j,p,q∈[1,l+u]，<i,j>表示MS集合中任意一对，<p,q>表示CS集合中任意一对，|MS|和|CS|分别表示MS集合和CS集合的元素个数，相应的式(4)可以重写为：

minf(fTZf),---(5)]]> 1

定义9：矩阵P的具体形式为

步骤1：将所有原始图像的尺寸统一为相同格式，并把每张图像的所有像素点作为一个样本的特征，这样得到一个初步的图像数据；

步骤2：对步骤一中的得到数据进行数据归一化和特征降维(主成分分析方法)处理，得到相应的图像数据；

步骤3：生成具备极大化知识利用能力的半监督分类模型，如式(6)所示：

minf∈Hk(1lΣi=1l(1-yif(xi))++γA||f||K2+fT(γIL+γDZ)f)---(6)]]>

上式中，

1lΣi=1l(1-yif(xi))+=1lΣi=1lξi---(6-1)]]>

||f||K2=αTKα---(6-2)]]>

其中，数据集表示分类器训练所需的l个有标签的样本和u个无标签样本，样本维数为d，y_i∈{+1,-1}(i＝1,...,l)为这l个有标签样本的样本标签，f(.)表示分类决策函数，H_K为再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)，K为通过核函数K计算得到的核矩阵，f＝[f₁,...,f_l,f_l+1,...,f_l+u]^T为数据集根据分类决策函数f(.)得到的预测值，f_i(i＝1,...,l+u)，分类决策函数如式(7)，γ_A＞0,γ_I＞0,γ_D＞0为三个正则化系数，L和Z分别为图拉普拉斯矩阵和成对约束矩阵；

f*(x)=Σi=1l+uαi*K(x,xi)+b*---(7)]]>

将式(6-1)-(6-2)代入到式(6)可以得到具体的具备极大化知识利用能力的半监督分类方法模型：

minα∈Rl+u,ξi∈R(1lΣi=1lξi+γAαTKα+αTK(γIL+γDZ)Kα),s.t.yi(Σj=1l+uαjK(xi,xj)+b)≥1-ξi,i=1,...,l,ξi≥0,i=1,...,l.---(8)]]>

步骤4：利用通过步骤一获得分类决策函数中所需的最终解和，构成图像分类所需的分类器，并把数据预处理过程中处理的预测图像数据导入到分类器模型中，得到预测图像的分类结果。