[发明专利]一种基于鬼成像和线性判别分析的物体分类方法

说明书

本发明提出了一种基于鬼成像和线性判别分析的物体分类方法，先根据线性判别分析算法获得基于MNIST手写体数字数据集的适合于鬼成像的特征散斑，接着使用这些散斑对未知物体进行照射，然后使用没有任何空间分辨率的桶探测器接收从未知数字物体反射或者透射的光场信号，最后将桶探测器接收的信号与MNIST手写体数字数据集均值图像在特征散斑照射下桶探测器的接收信号进行比较，完成未知物体的分类，本发明可以用较少的散斑个数我们就能以较高的准确率对未知物体进行分类，可用于图像识别中。

技术领域

本发明涉及一种光学图像物体分类方法，具体的说是一种基于鬼成像和线性判别分析的物体分类方法，属于量子光学技术领域。

背景技术

关联成像(Correlated Imaging)，又称“鬼”成像(Ghost Imaging,GI)，是近些年来量子光学领域的前沿和热点之一。关联成像采用两条光路，一支称为信号光路，指散斑通过物体后的光用一个无空间分辨能力的桶探测器接收；另一支称为参考光路，指散斑在传输一段距离后由具有空间分辨能力的探测器接收。最后对两条光路的探测结果进行二阶关联可以在参考光路得到物体的恢复图像。与传统的成像方式不同的是关联成像可以在不包含物体的光路上恢复出物体图像，这一特性称为非定域性。随着关联成像的发展，热光“鬼”成像、计算“鬼”成像等新型“鬼”成像技术被不断提出。与此同时，随着“鬼”成像性能的提高，各种基于“鬼”成像的应用也得以实现。大量研究表明，“鬼”成像可广泛应用在军事、加密、激光雷达等领域。

对物体分类可以更清晰、有序地认识物体，对物体的分类有依据一定的标准。分类在实际应用的范围非常广泛，对一个物体不断细化分类就能让我们更加了解这个物体。对未知物体的分类能够让我们对该物体或者该场景有更完整的认识。

线性判别分析(Linear Discriminant Analysis,LDA)是一种经典的机器学习方法，可以将其应用于分类问题。LDA技术通过物体的信息和类别通过设计相应的投影矩阵使得投影后的结果能很好的应用于物体分类任务。

K最近邻分类算法是分类技术中最简单的方法之一。K最近邻分类算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。K最近邻分类算法先计算待分类样本与已知类别的训练样本之间的距离，找到距离与待分类样本数据最近的K个邻居；再根据这些邻居所属的类别来判断待分类样本数据的类别；特别的，当K取值为1时，K近邻算法又称为最近邻算法。

发明内容

本发明的目的是提供一种基于鬼成像和线性判别分析的物体分类方法，在无需得知未知物体图片即可对图片进行分类。

本发明的目的是这样实现的：一种基于鬼成像和线性判别分析的物体分类方法，包括以下步骤：

步骤一：加载MNIST手写数据集中的手写体数字图片及其对应的标签，并将其分为训练集和测试集，其中训练集中包含60000张数字图片，测试集中包含10000张数字图片；

步骤二：根据训练集数据，求得各类样本的均值计算各个数字类别的协方差矩阵之和，称为类内散度矩阵S_w；将各个数字类别的样本均值的差乘以差的转置，所得的结果称为类间散度矩阵S_b，提取出S_w^-1·S_b的前K个特征值和特征向量(S_w^-1为类内散度矩阵的逆)，这个特征向量即是利用线性判别分析算法设计出的适用于鬼成像中手写体数字图片分类的特征散斑；

步骤三：将特征散斑载入数字微镜设备(Digital micromirror device,DMD)，将激光照射到DMD上并使用DMD产生的散斑对未知数字图像进行照射，然后使用没有任何空间分辨率的桶探测器接收未知数字物体反射(透射)后的光；