[发明专利]一种基于结构平衡理论的复杂网络图像识别方法

说明书

本发明涉及图像识别技术领域，特别涉及一种基于结构平衡理论的复杂网络图像识别方法，本发明提供的基于结构平衡理论的复杂网络图像识别方法，通过复杂网络建立模型，利用复杂网络的参数删除图像中相似性小节点，能够有效的提高运算速度以及节点的有效性；通过构建测试图像的结构均衡网络与结构平衡矩阵做哈达玛乘积的结果作为图像识别的特征参数，使图像辨识的参数变得简单；通过构造结构平衡矩阵的更有效的增强了图像中的有用的特征信息，还能保证图像的旋转，平移不变性；最终能有效的实现图像识别，解决传统的复杂网络图像识别技术在图像建模过程中节点数目较多，计算量大，且不能较好的提取特征点，具有很强的创造性。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于结构平衡理论的复杂网络图像识别方法。

背景技术

图像识别是人工智能重点研究领域之一。成功应用于交通监控，生物医学图像识别，手写识别，自动驾驶等领域。目前已经形成许多有价值的图像识别方法，如基于区域的方法、基于纹理的图像识别方法、基于模型的图像识别方法、基于K-L的图像识别方法、基于几何特征的图像识别方法以及基于边缘轮廓的图像识别方法等。但是上述方法与图像中像素点的位置和顺序紧密相关，因此在面对图像平面旋转不变性、平移不变性、缩放不变性等特性时其识别效果都有不同程度的减弱。复杂网络是复杂系统理论的重要研究对象，其研究越来越受研究者重视。复杂网络利用数学图论建立模型，仅考虑节点间相对位置等拓扑关系，对网络节点间的顺序关系、节点所处的位置等关注较少，网络图的整体旋转、平移等对复杂网络拓扑特性没有影响。在相关研究的基础上，将复杂网络应用于图像识别领域。然而随着复杂网络节点数的增多，其数据维度和数据量也随之大幅度增加。本发明提出一种基于结构平衡理论的复杂网络图像识别方法可以将少量的测试图像和大量的样本图像结合起来提高分类的泛化能力，结构平衡理论可以很好的解释实际网络的自连接和节点间对应关系。因此将结构平衡理论应用于复杂网络的图像识别可以得到较好的图像识别准确率和较快的运算速度。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于结构平衡理论的复杂网络图像识别方法，结合了复杂网络里的结构平衡理论，根据图像的复杂网络拓扑结构建立网络模型，通过遍历样本组的特征参数得到与测试图像最相近的特征参数，使得复杂网络在现实系统中更具应用价值，解决传统的复杂网络图像识别技术在图像建模过程中节点数目较多，计算量大，且不能较好的提取特征点。

本发明实施例解决上述技术问题所采用的技术方案如下：

根据本发明实施例的一个方面，提供一种基于结构平衡理论的复杂网络图像识别方法，其特征在于：所述方法包括以下步骤：

步骤1：首先读取图像，得到图像矩阵,是一个维的矩阵，其中表示测试图像的数量，表示图像中像素的个数，表示实数域，表示转置；

步骤2：根据步骤1的结果构建复杂网络模型；

步骤3：根据步骤2建立的复杂网络模型计算复杂网络参数：节点度、平均度、最大度；

其中是节点度，是平均度，是最大度；

步骤4：为了简化运算量减少存储空间，删除所有节点度大于平均度的节点；

步骤5：将步骤4得到的复杂网络模型进行数值归一化，

,剔除归一化以后的零值；

步骤6：将步骤5得到的构建测试图像的结构均衡网络与结构平衡矩阵做哈达玛乘积，获得获得哈达玛变换像，记中所有的正特征参数的平均值为，所有负特征参数的平均值为；

步骤7：将步骤6得到的特征参数矩阵，样本组图像，重复步骤2~6得到样本组特征参数信息。

优选的，所述步骤6中的结构均衡网络模型如下所示：