[发明专利]一种基于子空间学习的图像特征提取方法

说明书

本发明提出一种基于子空间学习的图像特征提取方法，该方法首先利用有标记的多特征图像学习投影矩阵，将多特征图像数据映射到一个公共的低维类标子空间中；然后利用投影矩阵将无标记的多特征图像数据映射到公共子空间；在此基础上，对公共子空间中的特征进行自加权运算，并对多特征进行加权融合，最后得到无标记图像在子空间中的新特征表示。本发明提出的方法解决了高维无标记图像特征提取的问题，有助于提高图像分类准确率。

技术领域

本发明涉及图像处理与分析技术领域，具体地说是一种基于子空间学习的图像特征提取方法。

背景技术

随着图像采集技术和计算机技术的飞速发展，图像处理与分析成为研究的热点。由于图像含有丰富的信息，其维数往往较高，对高维图像数据进行降维并提取出有效的特征是后续图像分析与应用的重要基础。特征是描述图像模式的最佳方式，特征的各个维度能够从不同的角度描述图像。特征提取的主要思想是将原始样本投影到一个低维特征空间，得到最能反应样本本质或进行样本区分的低维样本特征。随着机器学习理论在图像特征提取领域的应用不断深入，近年来，很多新的方法与思想被应用于图像特征提取领域，子空间学习方法是比较有代表性的方法之一。

子空间学习旨在将图像从原始特征空间转换到子空间，降低特征维数同时获得新的图像特征表示。常用的子空间学习方法，如典型相关分析(Canonical CorrelationAnalysis,CCA)、核典型关联分析方法(Kernel Canonical Correlation Analysis，KCCA)、独立成分分析(Independent Component Analysis,ICA)、局部线性嵌入(Locally LinearEmbedding,LLE)、偏最小二乘(Partial Least Squares,PLS)和局部保持投影(LocalityPreserving Projection,LPP)等均在图像分析和处理领域广泛应用并表现出良好的性能。然而，图像包含有丰富的信息，比如2D图像可以提取出颜色、形状、纹理和空间关系等特征；磁共振影像可以提取出大脑的皮层厚度、体积、表面积和局部回指标等特征。因此，利用子空间学习方法挖掘图像不同特征之间的潜在关联并找到图像的最佳低维表示对后续的图像处理与分析具有重要意义。

此外，在现实生活中，大量的图像数据是没有标记信息的，而少量图像可以通过人工标注的方法获得标记信息。如何利用有标记的图像更好地对无标记的图像提取特征，促进无标记图像的识别与分析，也具有重要研究意义。

发明内容

本发明为克服上述现有技术的不足，提出了一种特征提取方法，用于后续的图像分类。该方法首先利用有标记的多特征图像学习投影矩阵，将多特征图像数据映射到一个公共的低维类标子空间中，在子空间中尽可能保持多特征之间的相关性、原始的数据结构以及数据与类标之间的对应关系。然后利用投影矩阵将无标记的多特征图像数据映射到公共子空间。在此基础上，对公共子空间中的特征进行自加权运算，并对多特征进行加权融合，最后得到无标记图像在子空间中的新特征表示。本方法能够充分利用图像的多特征信息、数据的结构信息和数据的类标信息对无标记图像提取特征，显著提高了无标记图像的分类准确率。

本发明的技术方案是：

一种基于子空间学习的图像特征提取方法，该方法首先利用有标记的多特征图像学习投影矩阵，将多特征图像数据映射到一个公共的低维类标子空间中；然后利用投影矩阵将无标记的多特征图像数据映射到公共子空间；在此基础上，对公共子空间中的特征进行自加权运算，并对多特征进行加权融合，最后得到无标记图像在子空间中的新特征表示，该方法包括如下步骤：

(1)对采集的磁共振MRI图像进行预处理，提取多种形态学特征；

(2)使用有标记样本学习投影矩阵