[发明专利]一种基于拉普拉斯嵌入的图像分类词典学习方法和装置

摘要

本发明公开了一种基于拉普拉斯嵌入的图像分类词典学习方法和装置，属于图像处理技术领域，通过在传统的拉普拉斯约束条件中引入了词典权重矩阵，给图像分类词典中的每一个原子赋予不同的权重，实现了可以给图像分类词典中有利于图像分类准确性的原子赋予较大的权重，提高了本发明实施例的图像分类词典用于图像分类时的分类效果；同时，本发明实施例在传统的拉普拉斯约束条件中引入了词典权重矩阵，对图像分类词典矩阵进行升维，可以进一步提高本发明实施例的图像分类词典用于图像分类时的分类效果；而且，本发明实施例采用多距离加权的图结构模型计算两个样本之间的近邻程度，提高了衡量两个样本之间的近邻程度的准确性。

主权项

1.一种基于拉普拉斯嵌入的图像分类词典学习方法，其特征在于，所述方法包括：步骤100：从训练样本库中获取训练样本特征集，其中，所述训练样本特征集中包括至少2类训练样本；步骤110：根据所述训练样本集中的第C类训练样本，采用拉普拉斯约束条件训练所述第C类训练样本的稀疏表达词典，其中，C为大于0的正整数，所述拉普拉斯约束条件为：φ(X^c)是所述第C类训练样本映射到核空间中的图像特征矩阵，W^c是词典权重矩阵，S^c为所述第C类训练样本的稀疏表达矩阵，K是W^c矩阵的列数，代表S^c矩阵的第i列，p_ij为权重系数，p_ij代表训练样本和训练样本的紧邻程度，代表所述第C类训练样本中的第i个样本，代表所述第C类训练样本中的第j个样本，α、β是常数，α、β称为正则化因子；步骤120：基于多距离加权衡量的图结构模型，获取所述第C类训练样本的近邻关系图，其中，所述图结构模型为拉普拉斯嵌入结构，所述图结构模型为代表第1种求所述第C类训练样本中的第i个样本与第j个样本之间的距离的方法，代表第k种求所述第C类训练样本中的第i个样本与第j个样本之间的距离的方法，t是常数，μ_k为第k种求所述第C类训练样本中的第i个样本与第j个样本之间的距离的方法对应的权重系数；步骤130：基于迭代更新的方法求取所述拉普拉斯约束条件中的词典权重矩阵和稀疏表达矩阵的最优解；步骤140：针对所述训练样本特征集中的每一类训练样本，重复执行上述步骤110～步骤130，直至所述训练样本特征集中的每一类训练样本均执行完毕，则输出训练产生的基于拉普拉斯嵌入的图像分类词典。