[发明专利]一种基于观测矩阵变换维度的图像分类方法

权利要求书

1.一种基于观测矩阵变换维度的图像分类方法，包括以下步骤：

（1）使用感知压缩对图像进行稀疏编码，感知压缩后的图像组成数据集，将包含标签标注的数据集划分为训练集和测试集；

所述使用感知压缩对图像进行稀疏编码的方法包括图像的稀疏表示、图像压缩采样和图像重构，所述的图像稀疏表示为：

将原信号x在一组稀疏基Ψ上进行表示：

x = Ψs

其中，x为原信号，其大小为N×1，Ψ为一组稀疏基，s为稀疏系数；

所述图像压缩采样的过程为设定或选取一个观测矩阵，对图像进行感知测量，所述观测矩阵选自高斯分布的随机观测矩阵，图像压缩采样后的信号表示为：

y=Θs

其中Θ=ΦΨ，Φ为观测矩阵或称测量基，大小为M×N；y的大小为M×1；

所述图像重构包括通过限制矩阵Θ满足有限等距性质，求解方程的最优解，得到重构后的原信号；

（2）构建包括输入层、隐含层与输出层的图像分类网络，所述隐含层为感知机单元；所述图像分类网络至少为两个，分别包含不同节点数感知机单元；

（3）将步骤（1）中的训练集作为输入，在标签的监督下，对步骤（2）构建的图像分类网络进行训练，得到训练完成后对应的神经网络图像分类模型；

（4）使用测试集验证神经网络图像分类模型对图像分类的准确率，选择准确率最高的神经网络图像分类模型作为最终的神经网络图像分类模型；

（5）将待测图像输入步骤（4）得到的最终的神经网络图像分类模型，输出图像分类结果的预测概率。

2.根据权利要求1所述的基于观测矩阵变换维度的图像分类方法，其特征在于，在步骤（2）中，构建六个图像分类网络：

输入层以经过步骤（1）感知压缩的mnist手写数字图像作为输入；感知机单元的节点数为50-300，步长为50；输出层的节点个数为10，分别输出图像属于每个类别的预测概率，选取预测概率的最高值对应的类别作为预测结果；组成六个包含不同节点数的图像分类网络；

在步骤（3）中，训练完成后的图像分类网络所对应的神经网络图像分类模型为六个，其网络结构中感知机单元的节点数分别为50、100、150、200、250和300。

3.根据权利要求1或2所述的基于观测矩阵变换维度的图像分类方法，其特征在于，在图像分类网络的训练过程中，所述标签进行独热编码后转化为10×1的向量，通过前向后向传播算法对隐含层参数进行迭代调整。

4.根据权利要求3所述的基于观测矩阵变换维度的图像分类方法，其特征在于，使用测试集验证六个神经网络图像分类模型对图像分类的准确率，选择准确率最高的神经网络图像分类模型作为最终的神经网络图像分类模型。

5.根据权利要求4所述的基于观测矩阵变换维度的图像分类方法，其特征在于，所述最终的神经网络图像分类模型中，感知机单元的节点数为200。