[发明专利]一种基于零空间LDA的语义空间监督学习的图像分类方法

摘要

本发明涉及一种基于零空间LDA的语义空间监督学习的图像分类方法，属于属于图像分类领域。该方法包括以下步骤采集图像数据库Z样本，在数据Z的原始表示上，求出组内散度矩阵、组间散度矩阵，以及全散度矩阵；对全散度矩阵St做特征值分解；当终止条件||YQ(k+1)‑X(k+1)||F≤ε成立时终止迭代，否则k←k+1；得到样本语义空间结构向量X，将样本Z投影至语义空间得到语义表示将KNN分类器应用于语义空间表示上得到标签L。本发明解决了传统LDA算法无法有效的解决由样本维数大于样本个数而引起的小样本问题，相较于DLDA、PCA+LDA以及SRC算法在分类精度上有着不小的提升。

主权项

一种基于零空间LDA的语义空间监督学习的图像分类方法，其特征在于：该方法包括以下步骤：S1：采集图像数据库Z样本，在数据Z的原始表示上，求出组内散度矩阵Sw、组间散度矩阵Sb，以及全散度矩阵St＝Sw+Sb；S2：对全散度矩阵St做特征值分解，将所有样本投影至非零特征值对应的特征子空间U求出新的散度矩阵S'w＝UTSwU、S′b＝UTSbU；S3：求出新的组内散度矩阵S'w零空间N(S'w)中的任意一组基Y；分别为如下参数赋初值：k←0、误差ε≥0、0＜ρ1＜ρ2＜1，初始正交矩阵Q(0)为标准正交向量组，其中ρ1、ρ2为基于Armijo‑Wolfe条件的步长修正参数，k表示迭代次数，ε为给定的终止误差；S4：根据迭代公式X(k+1)＝Sμ[YQ(k)]，求解子问题其中Sμ为软阈值算子,Q(k)为第k次迭代产生的正交矩阵；S5：根据迭代公式其中W＝(U‑UT)；U＝[Q(X(k+1))T‑YT(X(k+1))(X(k+1))T]，求解子问题s.t.QTQ＝I，即其中τ2为凯莱变换参数；S6：当终止条件||YQ(k+1)‑X(k+1)||F≤ε成立时终止迭代，否则k←k+1；其中||YQ(k+1)‑X(k+1)||F为矩阵的F范数，度量了两个矩阵之间的差异性；S7：得到样本语义空间结构向量X，将样本Z投影至语义空间得到语义表示将KNN分类器应用于语义空间表示上得到标签L。