[发明专利]一种基于多核集成分类学习的图像分类方法

说明书

本发明公开了一种基于多核集成分类学习的图像分类方法，获取用于分类的图像数据作为样本集X和与之对应的样本标签集Y，并对样本集X进行归一化处理。将部分样本集作为训练集用于训练支持向量机模型，首先求解每个单核分类模型的损失loss，通过对所有的损失loss进行加权集成形成一个集成损失，再通过最小化集成损失来共同优化每一个单核分类模型，从而获得训练好的多核集成分类模型；将剩余样本集作为测试集输入所构造的多核集成分类模型，获得对图像数据的分类结果，本发明利用多核集成分类模型对图像进行分类，提高图像分类的准确度。

技术领域

本发明属于图像处理分类技术领域，尤其涉及一种基于多核集成分类学习的图像分类方法。

背景技术

图像处理在人们的日常生活中扮演着越来越重要的位置，其中图像分类在图像处理中有着非常重要的应用。包括人脸识别，医学图像处理以及互联网领域的图像检索等。

支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化原则的通用学习算法,它的基本思想是在样本输入空间或特征空间构造出一个最优超平面,使得超平面到两类样本集之间的距离达到最大,从而取得最好的泛化能力。他的解是全局最优的,不需要人工设计网络结构。对于非线性问题，SVM设法将它通过非线性变换(核函数)转化为另一空间中的线性问题,在这个变换空间来求解最优的线性分类面。而这种非线性变换可以通过定义适当的内积函数,即核函数实现。

核函数是把特征从低维空间映射到高维空间，但是目前我们经常使用的SVM都是单核的，在使用的时候，需要根据经验或试验来选择哪种核函数，怎样指定它的参数，这样很不方便。另一方面，实际应用中，特征往往不是单一性的，而是异构的。就图像分类来说，可能用到颜色相关的特征、纹理相关的特征、空间相关的特征,这几类特征对应的最佳的核函数未必相同,让他们共用同一个核函数,未必能得到最优的映射,也就是说无法得到较为准确的分类结果。

发明内容

本发明根据现有技术中存在的问题，提出了一种基于多核集成分类学习的图像分类方法，利用多核集成分类模型对图像进行分类，提高图像分类的准确度。

本发明所采用的技术方案如下：

一种基于多核集成分类学习的图像分类方法，

获取用于分类的图像数据作为样本集X和与之对应的样本标签集Y，并对样本集X进行归一化处理。

将部分样本集作为训练集用于训练支持向量机模型，首先求解每个单核分类模型的损失loss，通过对所有的损失loss进行加权集成形成一个集成损失，再通过最小化集成损失来共同优化每一个单核分类模型，从而获得训练好的多核集成分类模型；

将剩余样本集作为测试集输入所构造的多核集成分类模型，获得对图像数据的分类结果。

进一步，所述单核分类模型的构建方法为：

根据训练集获得不同的基础内核K，由不同的基础内核K构建单核分类模型，

其中，C是控制第一项和第二项之间权衡的参数，ξ_it是铰链损失，t为第t样本，N为训练集中的样本数，a_i是每个训练集权重，K_i是第i个内核Gram矩阵。

进一步，对所有的损失loss进行加权集成，获得所述多核集成分类模型的方法为：