[发明专利]一种基于李群机器学习核函数的Lie-KFDA场景分类方法和系统

说明书

本发明公开了一种基于李群机器学习核函数的Lie‑KFDA场景分类方法和系统，首先获取待处理的遥感数据集，并按比例划分为训练数据文件和测试数据文件；将样本投影到李群流形空间；计算上述每个类别李群样本集的内均值；选择李群机器学习核函数，计算每个类别李群样本的参数值；计算每个类别内均值到空间中的向量上的投影值；对于测试样本投影到空间中的向量上；根据与内均值差值的最小值进行类别判定。本发明具有如下优点：(1)本发明具有良好的空间复杂度，不需要设置和存储大量的参数。(2)本发明采用李群内均值加速对测试样本的类别判定。(3)本发明方法可根据不同的数据集分布特点选择不同的李群核函数，具有很好的鲁棒性。

技术领域

本发明涉及图像处理、场景分类领域，尤其是涉及一种基于李群机器学习核函数的Lie-KFDA场景分类方法和系统。

背景技术

场景分类是基于视觉感知原理，发掘出场景影像中某些特定的区域，其中，区域可以是整幅影像或影像中的局部范围(区域)，其最终的目标是根据预先定义的一组或者是若干组语义类别对影像进行标注。场景分类在目标检测、识别、视频监测、土地利用等都具有广泛的实用意义。目前，场景分类已经取得了一定的成果，但是实现分类性能优越、鲁棒性强和计算效率高的场景分类仍然是一项重要研究的课题和挑战。

常用的方法：(1)传统的底层特征方法，提取感兴趣区域中的特征如纹理、颜色和轮廓等，将影像共有的特征直接与有监督的学习训练方法相结合，最后完成识别分类。(2)中层特征方法，主要有语义对象分割、局部和全局的语义建模。该方法将影像划分为有意义的目标区域，接着，使用该区域的语义信息及区域的空间关系进行场景分类。(3)高层特征，主要是深度学习，由学习框架如VGG16等自动完成提取特征学习，该框架主要由卷积层，池化层和全连接层(FC)构成，根据学习到的特征对测试影像进行识别分类。

上述分类方法存在以下不足：(1)底层特征方法对于简单的场景是有效的，当场景复杂时，效果不理想，主要原因是缺乏中间语义的影响描述。(2)中层特征方法存在定义影像语义属性时存在语义不清晰的缺陷，以及特征维度和计算量不适合实时应用。(3)高层特征方法，如深度学习方法则存在大量需要根据经验值进行调整或者需要设置的参数，计算复杂程度高，需要GPU辅助计算，增加硬件的成本，以及特征不具有很好的解释性。

发明内容

本发明提供了一种基于李群机器学习核函数的Lie-KFDA场景分类方法，用以解决上述背景技术中存在的语义缺失或语义不清晰、计算性能差、计算成本高等问题。

为了实现上述目标，本发明一种基于李群机器学习核函数的Lie-KFDA场景分类方法的技术方法的具体步骤如下：

Step1、获取待处理的场景数据集，将所需处理的场景数据集分为训练集和测试集；

Step2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件；

Step3、将所述训练数据文件中图像集投影到李群流形空间，得到李群样本集；

Step4、计算上述每个类别李群样本集的内均值

Step5、选择具体的李群机器学习核函数，计算每个类别李群样本的参数L_i值和L值，L_i是指第i类样本选择对应核函数的均值，L是指所有类别选择对应核函数的总体均值；

Step6、根据所选定的李群机器学习核函数，计算参数值T，T表示样本选择与对应核函数乘积求和的矩阵表示；

Step7、根据Step5和Step6计算Lagrange乘子ρ的值；

Step8、计算每个类别内均值到目标特征空间中的投影值

Step9、对于测试数据文件中图像T_test，首先将其投影到目标特征空间中求测试样本的李群内均值