[发明专利]基于特征谱正则化的逆近邻线性判别分析方法及装置

权利要求书

1.一种基于特征谱正则化的逆近邻线性判别分析方法，其特征在于，包括，

S1、获取已分类的训练图像集合；

S2、根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；

S3、对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；

S4、根据新的训练图像集合特征计算总体散度矩阵；

S5、对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；

S6、根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；

S7、输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：

根据训练图像集合计算邻内散度矩阵，公式如下：

其中，p代表的是类的数量，q_i是第i个类的数量，|RNN_k(x_ij,X_i)|≥t指的是属于i这个类的图像x_ij的逆近邻数量要大于等于t，x_iv∈RNN_k(x_ij,X_i)指的是图像x_iv属于i这个类的图像x_ij的逆近邻，而|RNN_k(x_ij,X_i)|代表的是属于i这个类的图像x_ij的逆邻的数量；

然后对进行特征分解得到的特征向量和特征值[λ₁,λ₂,…,λ_r,…,λ_D]，特征向量按照特征值的降序进行排列，r为邻内散度矩阵的秩，D为图像的维度。

3.根据权利要求2所述的方法，其特征在于，所述S3具体包括：通过ERE、CDEFE和DVPE模型对邻内散度矩阵的特征值进行正则化形成多个加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合的每个图像的像素值进行投影得到新的图像特征。

4.根据权利要求3所述的方法，其特征在于，所述S4具体包括：

根据新的训练图像集合特征计算总体散度矩阵，公式如下：

其中，c_i＝1/p，代表了新的图像特征集合的总体均值。

5.一种基于特征谱正则化的逆近邻线性判别分析装置，其特征在于，包括，

获取模块，用于获取已分类的训练图像集合；

计算分解模块，用于根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；

加权模块，用于对邻内散度矩阵的特征值进行正则化，形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；

计算模块，用于根据新的训练图像集合特征计算总体散度矩阵；

降维模块，用于对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；

投影模块，用于根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；

分类模块，用于输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。