[发明专利]一种基于深度分解字典学习的精细图像分类方法

权利要求书

1.一种基于深度分解字典学习的精细图像分类方法，其特征在于，主要包括以下步骤：

第一步，构造输出层字典学习和分类器学习模型；

第二步，采取梯度下降法对输出层的目标函数进行求解，以获得输出层的分解字典和分类器模型；

第三步，利用分类器模型和输出层分解字典里的分解原子，计算测试样本的类标矢量以获得分解系数，并结合分类器模型获得测试精细图像的类标矢量；

第四步，在类标矢量中，选择最大元素对应的索引即为测试精细图像对应的类标，从而完成测试精细图像的分类。

2.根据权利要求1所述的一种基于深度分解字典学习的精细图像分类方法，其特征在于，所述第一步构造输出层字典学习和分类器学习模型主要包括以下步骤：

首先，输入精细图像，输入的过程中把其所有的像素值作为一个输入列矢量，以把精细图像的二维数据转换为一维的特征矢量；

其次，利用特定类的K-SVD算法和精细图像样本为每类精细图像学习的一个特定类的合成字典，并把它们的转置矩阵作为特定类分解字典的初始矩阵；

然后，利用原子和profiles的Fisher判别准则构造第一层的Fisher嵌入判别对模型，并结合分解字典的基本模型设计深度分解字典学习算法的第一层目标函数；

第四，利用第n-1层学习的分解系数作为第n层的输入数据，并利用第n层学习的分解字典和profiles构造第n层的Fisher嵌入判别对模型，然后结合分解字典学习模型构造第n层的目标函数；

第五，利用第n层学习的分解系数作为输出层的输入数据，然后利用输出层的分解字典和profiles构造Fisher嵌入判别对模型，在此基础上利用第n层分解系数的类标信息和输出层的分解原子构造分类器学习模型，再结合分解字典学习模型构造输出层的目标函数，从而在输出层学习出分类器学习模型。