[发明专利]一种基于不相干性联合字典学习的图像分类方法

权利要求书

1.一种基于不相干性联合字典学习的图像分类方法，其特征在于：

首先，对所有的数据集进行预处理；

其次，对每幅图像进行特征提取；

再者，采用字典学习方法训练判别性字典；

然后，在训练好的字典上稀疏编码图像；

最后，依据重构误差和字典编码项对图像进行分类；

所述采用字典学习方法训练判别性字典的过程如下：

为每类图像训练一个类字典、为所有图像训练一个共享字典，保证共享字典的低秩性，且在低秩共享字典和类字典间加入相干约束项，模型如下：

其中，训练样本包含C类，表示第c类训练样本，是训练字典，表示第c类训练字典，代表共享字典，是类字典，是编码系数矩阵，是Y_c对应字典D的编码系数，是Y_c对应字典D_c的编码系数，是X_c去掉的剩余部分，给定一个矩阵A和自然数n，假设μ(A,n)为n个相同列的矩阵，每一列是A中所有列的平均向量，假定

交替迭代求解来更新字典模型中的变量，包括：采用随机梯度下降法更新类字典，交替方向乘子法迭代更新共享字典，快速软阈值迭代算法更新编码系数矩阵，如下：

1)更新类字典

假定则当固定X、D_C+1时，求解

其中，

给定一个矩阵T，的定义如下：

使用随机梯度下降法SGD更新

这里α₁是梯度下降的步长；

2)更新共享字典D_C+1：

假定X＝[X¹；...；X^c；...；X^C；X^C+1]，和分别是训练样本在第c类字典和共享字典下的编码系数，当X固定时，更新共享字典D_C+1：

使用交替方向乘子法来更新D_C+1，迭代更新公式(6)-(8)直至收敛，奇异值阈值算法求解核范数最小化问题；

V＝θ(D_C+1+U)                (7)

U＝U+D_C+1-V                    (8)

θ是奇异值收缩算子，E代表单位矩阵，α₂代表梯度下降的步长，采用随机梯度下降法更新公式(6)中的D_C+1；

3)更新编码系数矩阵X

当字典D固定时，快速软阈值迭代算法被用来更新X，假定在每次迭代更新中，需求出s(X)的导数，