[发明专利]基于独立成分分析算法的卷积神经网络

摘要

本发明公开一种基于独立成分分析算法的卷积神经网络，包括以下步骤：(1)对训练图像进行预处理；(2)提取相互独立的图像成分；(3)对图像表示进行池化，获得输入图像的特征；(4)训练与测试分类器。本发明通过构造基于独立成分分析算法的卷积神经网络，能够更好地获得图像表示，使得图像特征的描述更精确，有助于提高分类正确率。

主权项

1.一种基于独立成分分析算法的卷积神经网络，其特征在于：工作流程包括：将训练图像输入基于独立成分分析算法的卷积神经网络中，得到相互独立的图像成分进而获得图像表示；然后对图像表示进行池化，获得图像的特征；最后训练分类器并对测试图像进行分类；具体包括以下步骤：(1)将图像数据库的N幅图像用于训练图像，剩下的M幅图像用作测试图像，对训练图像进行预处理，将获得的最大的L₁个特征值所对应的特征向量V_l作为图像的主成分；(2)提取相互独立的图像成分R_l，具体过程为：(2‑1)对V_l进行白化处理，得到W_l，其中W中的向量相互独立；(2‑2)运行独立成分分析算法，获得相互独立的图像成分R_l；其中，l＝1,2,...,L₁；(3)对图像表示进行池化，获得原始输入图像的特征向量f_i^train，具体步骤包括：(3‑1)将与V_l卷积后，将卷积的结果再与R_l进行卷积，得到F_i^train,i＝1,2,...,NL₁，其中(3‑2)将F_i^train,i＝1,2,...,NL₁中的每张图像二值化，得到并将B中每L₁张图像进行哈希处理，得到N张像素点介于的散列图像其中H()为二值函数；(3‑3)将T_i^train,i＝1,2,...,N中的每张图片分成L₂块，分别统计其直方图并将这L₂个直方图连接至一个向量最后对每张输入的原始图像都将得到一个特征向量f_i^train,i＝1,…,N；(4)训练与测试分类器；其中，l＝1,2,...,L₁，i＝1,…,N，每一幅训练图像与测试图像的大小均为m×n，m和n均大于零，N表示训练图像库中图像的总数目。