[发明专利]一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法

权利要求书

1.一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法，其特征是：包括如下步骤：

(1)分别建立自然场景图像分类训练集和图像分类测试集；

(2)用空间金字塔分块方法分别对自然场景图像分类训练集和图像分类测试集中的图像进行图像分块，得到图像块集合P={P₁,P₂,…,P_i,…,P_n},其中P_i为图像的第i个图像块，n为图像的分块总数；

(3)提取训练集中图像的图像块集合P的采样点尺度不变特征集合F，生成字典D：

(3a)用网格采样方法对训练集中图像的图像块集合P进行网格采样，得到图像的图像块网格采样点集SP={SP₁,SP₂,…,SP_i,…,SP_n},其中SP_i为图像第i个图像块的网格采样点；

(3b)用尺度不变特征提取方法对训练集中图像的图像块网格采样点SP提取尺度不变特征，得到训练集中图像的图像块尺度不变特征集合F={F₁,F₂,…,F_i,…,F_n},其中F_i为图像第i个图像块的尺度不变特征；

(3c)用K均值聚类算法分别对训练集上图像的图像块尺度不变特征集合F进行聚类，生成字典D={D₁,D₂,…,D_i,…,D_n},其中D_i为图像第i个图像块生成的字典；

(4)用字典D对训练集中图像的图像块尺度不变特征集合F进行词袋模型描述，得到图像的图像块对应的词汇频次W={W₁,W₂,…,W_i,…,W_n},其中W_i为图像第i个图像块对应的词汇频次向量；

(5)用Gibbs采样方法估计潜在狄利克雷模型中的隐参数，得到训练集中图像的潜在语义主题模型Z和潜在语义主题分布θ；

(6)用图像潜在语义主题模型Z生成测试集中图像潜在语义主题分布θ₁；

(7)将训练集中图像的潜在语义主题分布θ和其对应的类别l作为训练数据，用支撑向量机SVM算法获得自然场景分类模型E；

(8)根据自然场景分类模型E对测试图像进行分类。

2.根据权利要求1所述的一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法，其特征是：其中步骤(1)所述的分别建立自然场景图像分类训练集和图像分类测试集，是先根据使用需要定义N个自然场景图像类别，类别编号为1～N；再在每个自然场景图像类别中随机选取50～100幅图像组成自然场景图像分类训练集，其余图像组成自然场景图像分类测试集。

3.根据权利要求1所述的一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法，其特征是：其中步骤(5)用Gibbs采样方法估计潜在狄利克雷模型中的隐参数，得到训练集中图像的潜在语义主题模型Z和潜在语义主题分布θ，按如下步骤进行：

(5a)将w_i对应词汇被分配的潜在语义主题z_i赋值为1～T任意值，作为马尔可夫链的初始状态，其中T为正整数；

(5b)利用迭代公式1），分别计算图像中第i个词汇w_i被分配给主题1～T的概率P（z_i＝j|z_-i,w）：

P(zi=j|z-i,w)=n-i,j(wi)+βn-i,j(·)+Wβ·n-i,j(di)+αn-i,·(di)+TαΣj=1Tn-i,j(wi)+βn-i,j(·)+Wβ·n-i,j(di)+αn-i,·(di)+Tα---1)]]>

其中，j表示潜在语义主题，取值范围为1～T，z_-i表示除w_i对应词汇以外的词汇被分配的潜在语义主题情况；表示w_i对应词汇被分配给潜在语义主题j的个数，表示被分配给潜在语义主题j的词汇总数，表示训练集中第i幅图像d_i中分配给潜在语义主题j的词汇总数，表示训练集中第i幅图像d_i中的词汇总数，T为潜在语义主题总数，W表示图像对应的多尺度稀疏表示向量，α为超参数，β为超参数；

(5c)取分配概率最大的主题更新该w_i的主题分配状态，得到马尔可夫链的下一个状态，当迭代次数C=100时，迭代结束；

(5d)迭代结束后，得到需要求解的图像潜在语义主题模型Z和潜在语义主题分布θ：

Z=nj(w)+βnj(·)+Wβ---2)]]>

θ=nj(d)+αn·(d)+Tα]]>

其中，表示图像d中词汇w被分配给潜在语义主题模型j的个数,表示图像d中被分配给潜在语义主题模型j的词汇总数，表示图像d被分配的潜在语义主题j的总数，表示图像d被分配的所有潜在语义主题总数，T为潜在语义主题总数，W表示图像对应的多尺度稀疏表示向量，α为超参数，β为超参数。