[发明专利]一种计算机视觉图像分类集成学习方法

权利要求书

1.一种计算机视觉图像分类集成学习方法，其特征在于：在决策粗糙集模型的三支决策基础上利用群决策模型来确定损失函数，通过最小化分类决策中综合评价和基本评价之间的赋权距离，使用基于密度中心的云综合方法，将多个分类信息转化为云模型；只需要人工设定不同基分类器的权重，利用云模型来确定损失函数，为损失函数提供新的语义解释，并获得计算机视觉分类群决策中最精确的综合评价，通过算法来计算出阈值，即可形成决策规则；

在概念的漂移性度量空间中，综合评价到各基础评价距离的赋权和最小，如果将权重看成质点的质量，则综合云模型就是所有基础云模型的密度中心；

将图像分类集成学习方法集成到计算机视觉算法包中，包括以下步骤：

第一步，确定状态集和决策动作集，并构造损失函数矩阵；

其中，状态集表示对象属于集合C或不属于集合C；决策动作集Action＝{a_P,a_B,a_N}分别表示将目标对象x分类到正域POS(C)、边界域BND(C)和负域NEG(C)的决策动作；

从贝叶斯决策的角度上看，对于不同状态进行不同决策会带来6种相应的决策代价，其中，λ_PP，λ_BP，λ_NP分别表示目标概念S中对象采取a_P，a_B，a_N三种决策动作产生的决策代价或损失；λ_PN，λ_BN和λ_NN分别表示目标概念S以外的对象采取a_P，a_B，a_N三种决策动作产生的决策代价或损失；

6个决策代价或损失满足下列不等式：

λ_PP≤λ_BPλ_NP (1)

λ_NN≤λ_BNλ_PN (2)

不等式(1)表示对一个属于目标概念S的对象x做出接受决策的损失小于或等于对其做出延迟决策的损失，而这两种损失都小于对其做出拒绝的损失；

不等式(2)表示对一个不属于目标概念S的对象x做出拒绝决策的损失小于等于对其做出延迟决策的损失，而这两种损失都小于对其做出接受决策的损失；

第二步，人工设定图像分类基分类器及其权重；

基分类器集为E＝{e₁,e₂,…,e_t}，权重集为W＝{w₁,w₂,…,w_t}^T，其中t是基分类器组中的基分类器数量；

第三步，将所有专家给出的损失函数所作出的不确定性评价转化为云模型，标记为：λ^k_PP(Ex^k_PP,En^k_PP,He^k_PP)，λ^k_BP(Ex^k_BP,En^k_BP,He^k_BP)，λ^k_NP(Ex^k_NP,En^k_NP,He^k_NP)，λ^k_PN(Ex^k_PN,En^k_PN,He^k_PN)，λ^k_BN(Ex^k_BN,En^k_BN,He^k_BN)，λ^k_NN(Ex^k_NN,En^k_NN,He^k_NN)，其中1≤k≤t，Ex，En和He为云模型的三个数字特征；其中Ex是概念中最具代表性或最典型性样本；En定性概念一种不确定性度量；He描述的是熵En的不确定性；

第四步，为减少各个分类器结果的不一致性，将所述云模型表示的损失函数进行综合，得到损失函数的综合评价云模型；

云模型对原始数据粒化的优势表现在对定型概念的表述中，同时保留了随机和模糊两种不确定性；从粒认知计算的角度来看，群决策是一种粒化手段，将若干离散的基础评价转化为一个综合评价；

云综合是基于概念内涵，将若干个细粒度层云模型综合组成一个粗粒度层云模型的过程；其中细粒度层的云模型称为基础云，综合组成的云模型称为综合云；

在群决策中，云综合方法被定义为概念内涵的线性组合形式；

设U是用精确数值表示的定量理论域，X₁和X₂是U上的两个基础云概念；若正态分布N(μ,σ²)，N₁(μ₁,σ²₁)和N₂(μ₂,σ²₂)分别是X₁和X₂的期望曲线、外包络曲线和内包络曲线对应正态分布关于G(N)＝KL(N||N₁)+KL(N||N₂)的最优解，则X₁和X₂基于对称KL散度形成的综合云模型M(Ex,En,He)满足：

设Q是用精确数值表示的定量论域，X＝{X_i(Ex_i,En_i,He_i)|i＝1…n}是Q上的n个基础云概念，其对应的权重集合δ＝{ω_i|i＝1…n}；若N(μ,σ²)是云模型簇Y期望曲线对应的正态分布关于的最优解，N_outer(μ_outer,σ²_outer)和N_inner(μ_inner,σ²_inner)是云模型簇

Y关于

的最优解，则云模型簇Y给予对称KL散度形成的的综合云模型M(Ex,En,He)满足：

第五步，考虑到云模型的期望反映了最典型的概念外延，因此将损失函数的综合评价云模型的期望代入，求出三支决策的各项阈值α，β，γ；

三支决策的各项阈值α，β，γ计算公式分别如下：

第六步，形成分类决策规则，对区域图像是否属于本类别给出判断标准；

将条件概率Pr(S|[x])定义为将对象x划分到目标概念S的概率，[x]表示对象x所属等价类；所属等价类[x]对对象x做出不同决策动作所产生的损失表示如下：

对对象x做出损失最小的决策：

R(a_P|[x])≤R(a_B|[x])且R(a_P|[x])≤R(a_N|[x])则做出接受决策，即x∈正域POS(S)；

R(a_B|[x])≤R(a_P|[x])且R(a_B|[x])≤R(a_N|[x])则做出延迟决策，即x∈边界域BND(S)；R(a_N|[x])≤R(a_P|[x])且R(a_N|[x])≤R(a_B|[x])则做出拒绝决策，即x∈负域NEG(S)；

由于可将不等式转化为：

若Pr(S|[x])≥α且Pr(S|[x])≥γ，则做出接受决策，即x∈正域POS(S)；

若Pr(S|[x])≤α且Pr(S|[x])≥β，则做出延迟决策，即x∈边界域BND(S)；

若Pr(S|[x])≤β且Pr(S|[x])≤γ，则做出拒绝决策，即x∈负域NEG(S)；

分类决策规则如下：

(P’)若Pr(S|[x])≥α，则属于本类别，是正样本，即x∈正域POS(S)；

(B’)若Pr(S|[x])≤α且Pr(S|[x])≥β，则做出延迟决策，将该图像归类于暂无法识别类，即x∈边界域BND(S)；

(N’)若Pr(S|[x])≤β，则不属于本类别，是负样本，x∈负域NEG(S)。