[发明专利]一种基于半监督加权迁移判别分析的图像分类方法

权利要求书

1.一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，包括以下步骤：

S1：对源域和目标域图像样本分别进行预处理，获取源域和目标域数据集D_S与D_T；

S2：分别采用源域和目标域数据集D_S与D_T，获取源域和目标域样本的跨领域均值逼近权重w_S与w_T；

S3：通过将w_S与w_T代入最大均值差异度量MMD，并代入联合分布调整JDA，构建加权联合分布调整方法WJDA，通过同时缩小领域间的边缘分布和条件分布，寻找最优特征子空间，保证源域和目标域间的图像特征在跨领域知识迁移过程中不变；

同时将半监督判别分析SDA与WJDA相结合，构建半监督加权迁移判别分析模型的目标函数；

采用广义特征分解方法学习特征子空间投影矩阵P^*，获得不同领域间样本的共享特征表达Z^*＝{Z_S,Z_T}；

S4：采用源域样本集D_S的子空间特征表达Z_S及其标签集Y_S训练k近邻分类器，对所述目标域数据集D_T对应子空间特征表达Z_T进行标签预测，获取预测结果Y_T，转至步骤S2，直到达到最大迭代次数或者Y_T不再变化；

所述步骤S2中设计样本的跨领域均值逼近权重，其表达如下:

其中，μ_T(S)为目标(源)领域样本的均值；

所述步骤S3中加权联合分布调整目标函数构建过程为：

S31：给定来自两个相关的领域的高维数据集源域和目标域两个高维数据集共享标签集合

其中，n_S和n_T分别为两个数据集的样本个数，d为特征空间维数，D_T中样本未含标记样本，y_Si∈Y，C为类别个数；

联合分布调整JDA的目标函数为：

其中，X＝{D_S∪D_T}，P为投影矩阵，为中心矩阵，q∈Rⁿ为元素为1的列向量，n＝n_S+n_T；M₀为(n_S+n_T)阶边缘分布差异矩阵，其元素为：

M_c为条件分布差异矩阵，有：

其中，和为源域和目标域中标签类别为c的样本子集，和分别为和中的样本，分别为和中的样本个数；

S32：将源域和目标域数据集样本的跨领域均值逼近权重引入公式(2)，构建跨领域共享特征提取算法：加权联合分布调整WJDA，其目标函数为：

s.t.P^TXHX^TP＝I

(5)

式中：W₀和W_c为边缘分布差异权重矩阵和条件差异权重矩阵，其元素分别为：

其中，和分别为和中样本的跨领域均值逼近判别权重，其表达式为：

其中，为目标(源)领域中标签为c类样本集合的均值。

2.根据权利要求1所述的一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，所述步骤S1中，所述对源域和目标域中的图像样本预处理包含如下步骤：

S11：对源域和目标域中图像样本D_S1与D_T1分别进行分辨率一致缩放处理，得到D_S2与D_T2；

S12：将D_S2与D_T2分别进行归一化处理，得到D_S3与D_T3；

S13：将D_S3与D_T3分别进行PCA降维处理，得到D_S与D_T。