[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

说明书

本发明涉及一种基于深度分解字典学习的精细图像分类方法，其特征在于包括：一，构造输出层字典学习和分类器学习模型；二，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；三，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；四，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。本发明针对精细图像分类具有较低的类间差异，提高了精细图像分类系统的性能。

技术领域

本发明属于精细图像分类领域，具体是涉及一种基于深度分解字典学习的精细图像分类方法。

背景技术

现如今,图像处理中目标分类与检测越来越多的得到了人们的关注与研究。目标分类一般分为两种,一种是基础图像分类,另一种是越来越受到人们关注的精细图像分类。基础图像分类是为了区分具有不同形状以及视觉特征的物体。精细图像分类则是要区分具有相似形状以及外貌特征的物体。由于精细图像分类具有较低的类间差异，由此提高精细图像分类系统的性能，一直是本领域技术人员所要解决的问题。

发明内容

本发明针对现有技术的不足，提供了一种基于深度分解字典学习的精细图像分类方法，以提高精细图像分类的性能。

为了达到上述目的，本发明主要通过以下技术方案实现的。

一种基于深度分解字典学习的精细图像分类方法，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，利用初始化的分解字典以及输出层的目标函数，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。

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。目的是初始化一个带有类标的分解字典，以更新每层的分解字典和分解系数。

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。目的是在深度分解字典学习模型中同时考虑分解原子和profiles的类间及类内特征，使其能够更好地捕获不同类的精细图像之间的细微差异，从而提高分解字典的判别性能。

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。目的是把第n层中的分解系数作为输入，提取不同类分解系数之间的非线性特征，分解原子能够对精细图像进行非线性分解。目的是把第n-1层的分解系数作为第n层的输入，并把其具有的特征传递到第n层的分解字典和分解系数中，增强分解字典表示精细图像的能力。

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。