[发明专利]一种融合稀疏与低秩的图像处理方法

权利要求书

1.一种融合稀疏与低秩的图像处理方法，其特征是：包括以下步骤：

S1，建立鲁棒的领域适应图像处理检索与管理的系统；

S2，利用稀疏与低秩表示的本质鲁棒性，再基于稀疏与低秩表示的多源领域对图像处理进行检测；

S3，利用大规模数据集对图像处理进行检测；

S4，将多源适应稀疏与低秩子空间嵌入图像处理进行检测。

2.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法，其特征是：在步骤S2中，其具体步骤包括：

S21，建立一个鲁棒的多源或多核领域适应图像处理技术框架；

S22，利用已有的间隔最优化的Relief特征加权技术，抽取融合稀疏与低秩编码和最大相关性准则的图像数据集特征；

S23，分析现有的领域数据总体分布均值和散度一致度量准则在具有流形结构的领域图像数据分布距离度量上存在的不足，基于流形学习思想，提出领域间图像数据类内分布均值及其Laplacian散度一致的分布距离度量新准则，并从理论上分析新旧准则之间的内在关系；

S24，采用现有的图正则化稀疏与低秩表示技术来表示各领域图像数据，通过新的图像数据表示来重构领域分布均值和散度差，或称为领域分布稀疏与低秩均值和散度差；其实在现有的图正则化稀疏与低秩表示模型中引入先验知识，基于最大间隔准则思想，提出有判别图正则化稀疏与低秩表示方法，以此来表示领域图像数据，然后通过新的图像数据表示来构建领域类内分布均值及其Laplacian散度差，或称为领域分布类内稀疏与低秩均值及其Laplacian散度差；

S25，建立稀疏与低秩图模型，运用稀疏与低秩表示技术处理单一源图像领域；

S26,通过建立跨领域稀疏多核学习模型，并处理核空间学习对领域分布距离度量收敛性和跨领域图像处理泛化性能方面的关键影响及其控制方法；

S27，构建多源图像适应联合稀疏与低秩图正则化图像处理模型，进而获得单源和多源图像领域适应图像处理的统一框架，或称为多稀疏与低秩图正则化领域适应图像处理一般化框架模型，并从理论上分析所提模型的泛化误差界，结合多种损失模型来从实践上充分检验所提框架的有效性；

S28，对传统多源组合进行稀疏化处理，从可用的源领域池中选取最具表达力的紧凑的源领域图像集，对多源图像领域进行选择，再通过最近标签空间嵌入，扩大源图像领域决策函数的判别容量。

3.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法，其特征是：在步骤S3中，其具体步骤包括：

S31，建立大规模跨领域图像概念识别方法模型；

S32，利用Relief特征抽取技术，对图像数据进行特征抽取，实现基于稀疏与低秩表示的特征抽取技术，进一步来提高图像处理的鲁棒有效性。

4.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法，其特征是：在步骤S4中，其具体步骤包括：

S41，建立基于稀疏与低秩子空间嵌入的图像处理模型；

S42，对所提取的各领域图像特征进行稀疏与低秩表示，再分别将其低维映射到一个领域适应共同子空间，实现图像处理的有效检测。

5.根据权利要求2所述的一种融合稀疏与低秩的图像处理方法，其特征是：所述跨领域稀疏多核学习模型中D^s和D^t分别指源图像领域和目标图像领域数据集，b＝[b₁,b₂,...,b_M]为核稀疏重构系数向量；根据稀疏表示思想，在约束β的l₁范数最小化条件下，利用M个基核函数来组合表示最终核函数，然后基于鲁棒的领域分布距离度量准则，构建基于多核学习的领域分布距离度量函数，并将其与多核支持向量机模型融合，最终获得一个在β的l₁范数最小化约束下的跨领域稀疏多核图像处理模型。

6.根据权利要求2所述的一种融合稀疏与低秩的图像处理方法，其特征是：多源图像适应联合稀疏与低秩图正则化图像处理模型可采取两种方式构建，一种是直接由源领域和目标领域数据集构成一个超完备基，另一种是通过优化来寻求一个新的稀疏与低秩重构基。