[发明专利]一种高阶高维图像数据的表示与分类方法

说明书

本发明公开了一种高阶高维图像数据的表示与分类方法，属于模式识别领域，其解决了图像识别过程中受噪音影响、图像原始结构被破坏，数据特征维度高、表示算法与分类算法不契合等问题。本发明所采用的技术方案是，利用投影矩阵集将图像数据从原始空间按模式投影到低秩子空间中，得到数据的低秩表示；在低秩子空间中训练稀疏表示字典和线性分类器，对图像数据进行分。利用投影矩阵集将图像数据从原始空间按模式投影到低秩子空间中，得到数据的低秩表示；在低秩子空间中训练稀疏表示字典和线性分类器，对图像数据进行分类。

技术领域

本发明属于模式识别领域，尤其涉及一种高阶高维图像数据的表示与分类方法。

背景技术

随着人类社会的发展，每天都会收集到海量的图像数据，智能化处理与分析图像数据成为研究热点。图像识别的目的就是用计算机代替人类，完成对图像数据的识别任务。图像的表示和分类问题是研究图像识别的重点和难点。

图像表示又分为图像的预处理和图像的特征提取。图像的预处理包括对噪音和畸变的消除，对缺失信息的修复和对图像的分割等；图像的特征提取是根据任务的需求，利用降维算法和图像处理技术，从图像中提取出更加精简、更加抽象和更易处理的特征信息。

图像分类是将未知类别的图像归属到已知类别中的过程，其中比较经典的方法有K近邻，支持向量机和人工神经网络等。

目前对高阶高维图像数据的识别往往会遇到以下几个问题：

1)在图像的采集、传输和存储过程中经常会出现误差，从而导致数据被噪音污染失真，甚至损毁缺失，在高阶高维数据中这种情况尤为常见。

2)传统方法一般用向量来表示图像，需要对采集得到的图像进行展开。这一过程既破坏了图像原本的空间结构，损失了像素间的关联信息，又造成了数据维度的增加，容易引起维度灾和小样本问题。

表示算法与分类算法往往是独立设计的，经常会出现表示算法与分类算法不契合的情况。

发明内容

本发明所要解决的技术问题是

本发明为解决上述技术问题采用以下技术方案

一种高阶高维图像数据的表示与分类方法，具体包含模型训练和分类预测两部分；

模型训练用于利用已知类别的图像数据训练出具有分类能力的模型；

分类预测用于利用训练得到的模型对未知类别的图像数据进行分类；

其中，所述模型训练具体包含如下步骤：

步骤1，直接使用张量形式表示每张图像，构造原始数据Y；

步骤2，利用原始数据计算低秩投影矩阵集{U}，并将原始数据Y按模式投影到低秩子空间中，得到低秩数据；

步骤3，利用低秩数据计算稀疏表示字典D和线性分类器W，并通过稀疏重构对低秩子空间进行修正，得到更具判别性的低秩子空间；

步骤4，迭代步骤2和步骤3直至收敛；

所述分类预测具体包含如下步骤：

步骤a，直接使用张量形式表示未知类别的待分类图像数据；

步骤b，利用低秩投影矩阵集{U}将已知类别的待分类图像数据按模式投影到低秩子空间中，得到低秩数据；

步骤c，利用稀疏表示字典D对低秩数据进行稀疏重构，得到稀疏重构系数a；

步骤d，将稀疏重构系数a输入到分类器W中，得到类别标签向量l，则l中最大值对应的位置为图像预测类别。

作为本发明一种高阶高维图像数据的表示与分类方法的进一步优选方案，所述步骤2具体计算如下：