[发明专利]一种具备极大化知识利用能力的半监督图像分类方法

摘要

本发明公开了一种具备极大化知识利用能力的半监督图像分类方法。该方法针对一般图像分类技术里面专注于对图像数据预处理和特征筛选上，而在分类方法上并未有所突破，提出了一种具备极大化知识利用能力的半监督图像分类方法。该图像分类方法在首先考虑了现实情况下图像标记代价大的问题，从半监督方法着手，再对标记图像数据进行极大化挖掘，从有标记图像和无标记图像两个方面着手挖掘图像数据知识；同时，在图像数据的预处理和特征筛选上，采取了具有适用性的归一化和主成分分析征降维方法来事先处理图像数据，充分保证图像数据信息的完整性。

主权项

一种具备极大化知识利用能力的半监督图像分类方法，其特点是，按照如下定义和步骤实施：定义1：数据集表示分类器训练所需的l个有标签的样本和u个无标签样本，yi∈{+1,‑1}(i＝1,...,l)为这l个有标签样本的样本标签；定义2：f(.)表示分类决策函数，HK为再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)，K为核函数，这里用的是径向基核函数，计算方式为σ为核宽带；定义3：f＝[f1,...,fl,fl+1,...,fl+u]T为数据集根据分类决策函数f(.)得到的预测值，fi(i＝1,...,l+u)；定义4：成对约束集MS和CS这里由提供的样本标签转换过来的；定义5：Wij∈W(i,j＝1,...,u+l)为数据集X邻接矩阵的边权，L＝D‑W是图拉普拉斯矩阵，D是对角矩阵，定义6：Qij∈Q(i,j＝1,...,u+l)表示了标记样本间的成对约束关系，其矩阵元素Qij的计算如式(2)，Z＝H‑Q类似于图拉普拉斯矩阵形式，H是对角矩阵，H＝diag(Q·1(l+u)×1)，其中，1(l+u)×1为(l+u)×1的矩阵且矩阵元素全为1；定义7：流行正则化(Manifold Regularization)形式：||f||I2=1(u+l)2Σi,j=1l+u(f(xi)-f(xj))2Wij=1(u+l)2fTLf,---(3)]]>定义8：成对约束正则化形式：minf(Σ<i,j>∈MS(fi-fj)2|MS|-Σ<p,q>∈CS(fp-fq)2|CS|),---(4)]]>式中，i,j,p,q为X中样本序号，i,j,p,q∈[1,l+u]，<i,j>表示MS集合中任意一对，<p,q>表示CS集合中任意一对，|MS|和|CS|分别表示MS集合和CS集合的元素个数，相应的式(4)可以重写为：minf(fTZf),---(5)]]>定义9：矩阵P的具体形式为步骤1：将所有原始图像的尺寸统一为相同格式，并把每张图像的所有像素点作为一个样本的特征，这样得到一个初步的图像数据；步骤2：对步骤一中的得到数据进行数据归一化和特征降维(主成分分析方法)处理，得到相应的图像数据；步骤3：生成具备极大化知识利用能力的半监督分类模型，如式(6)所示：minf∈Hk(1lΣi=1l(1-yif(xi))++γA||f||K2+fT(γIL+γDZ)f)---(6)]]>上式中，1lΣi=1l(1-yif(xi))+=1lΣi=1lξi---(6-1)]]>||f||K2=αTKα---(6-2)]]>其中，数据集表示分类器训练所需的l个有标签的样本和u个无标签样本，样本维数为d，yi∈{+1,‑1}(i＝1,...,l)为这l个有标签样本的样本标签，f(.)表示分类决策函数，HK为再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)，K为通过核函数K计算得到的核矩阵，f＝[f1,...,fl,fl+1,...,fl+u]T为数据集根据分类决策函数f(.)得到的预测值，fi(i＝1,...,l+u)，分类决策函数如式(7)，γA＞0,γI＞0,γD＞0为三个正则化系数，L和Z分别为图拉普拉斯矩阵和成对约束矩阵；f*(x)=Σi=1l+uαi*K(x,xi)+b*---(7)]]>将式(6‑1)‑(6‑2)代入到式(6)可以得到具体的具备极大化知识利用能力的半监督分类方法模型：minα∈Rl+u,ξi∈R(1lΣi=1lξi+γAαTKα+αTK(γIL+γDZ)Kα),s.t.yi(Σj=1l+uαjK(xi,xj)+b)≥1-ξi,i=1,...,l,ξi≥0,i=1,...,l.---(8)]]>步骤4：利用通过步骤一获得分类决策函数中所需的最终解和，构成图像分类所需的分类器，并把数据预处理过程中处理的预测图像数据导入到分类器模型中，得到预测图像的分类结果。