[发明专利]基于信任函数理论的图像分类方法

权利要求书

1.基于信任函数理论的图像分类方法，其特征在于，包括以下步骤：

将待分类图像集X中的所有图像划分为多个初始子类；其中，初始子类由N个初始单类和多个初始复合类组成，每个所述初始复合类由两个所述初始单类组成，N≥c，c表示图像集X中所有图像的真实类别数；

计算出每个所述初始子类的密度值；其中，所述密度为初始子类中所有图像之间的欧氏距离平均值的倒数；

计算出每个所述初始子类的密度采用公式为：

其中，ρ_j为第j个初始子类A_j的密度，表示初始子类A_j中的图像x_i与其在图像集X中的K₁个近邻的欧氏距离的平均距离，K₁为常数，n_j为初始子类A_j中图像的数量，i为初始子类A_j中图像的序数；

根据所述初始复合类和对应初始单类密度值的大小关系，将所述初始复合类和对应初始单类中的图像合并，生成新单类和新复合类，直至合并后生成的新单类和所述初始单类数量之和为c；

将所述初始复合类中的图像划分到所述新单类、初始单类或新复合类中，得到所述待分类图像集X中的图像的分类结果。

2.如权利要求1所述的基于信任函数理论的图像分类方法，其特征在于，所述初始复合类和对应初始单类密度值的大小关系由以下三种情况组成：

情况一：ρ_k,t≥ρ_k且ρ_k,t≥ρ_t；

情况二：ρ_k≤ρ_k,t≤ρ_t；

情况三：ρ_k,t≤ρ_k且ρ_k,t≤ρ_t；

其中，ρ_k为第k个初始单类的密度值，0≤k≤N，ρ_t为第t个初始单类的密度值，0≤t≤N，ρ_k,t为由第k个初始单类和第t个初始单类组成的初始复合类的密度值。

3.如权利要求2所述的基于信任函数理论的图像分类方法，其特征在于，将所述初始复合类和对应初始单类中的图像合并时的合并顺序依次为：情况一、情况二、情况三。

4.如权利要求3所述的基于信任函数理论的图像分类方法，其特征在于，将所述初始复合类和对应初始单类中的图像合并的具体方法为：

计算初始复合类对应的两个初始单类之间的密度距离值，将所述初始复合类按照所述密度距离值由小至大排序，并依次将所述初始复合类和对应初始单类中的图像合并为一个新单类；

当所述初始复合类对应的两个初始单类之间的密度距离值相等时，按照各初始复合类的密度值由大到小的顺序依次将所述初始复合类和对应初始单类中的图像合并为一个新单类；

其中，所述密度距离值为两个所述初始单类在初始单类密度集D_s中的序数的差值，所述初始单类密度集D_s为所述N个初始单类的密度值的集合，且所述初始单类密度集D_s中按照所述初始单类的密度值由大到小排序。

5.如权利要求4所述的基于信任函数理论的图像分类方法，其特征在于，当生成新单类后且进行下一次初始复合类合并前，判断所述新单类与其他新单类中是否存在相同的图像，当存在时，将所述新单类和该与其存在相同图像的新单类中的所有图像进行合并，生成一个新单类。