[发明专利]一种图像分类方法

说明书

本发明提供了一种图像分类方法，尤其涉及关于概念认知在图像分类领域的应用方法。本发明是基于概念认知过程的图像分类方法分为两个模块：认知训练模块，用来学习图像概念，最终生成一棵概念树用来实现图像分类任务；图像分类模块，使用训练模块得到的概念树进行图像分类；所述方法经过从图像特征描述FD到生成图像形式背景K，由图像集形式背景K生成必要属性集合Base，由必要属性构造概念树CT的粗层次,由图像集形式背景K构造概念树CT的细层次，概念树CT更新，获得最优概念树，使用最优概念树进行分类的步骤，通过图像特征提取技术、特征数据处理技术和概念学习方法解决形式概念认知难以应用在图像方面的问题。

技术领域

本发明属于模式识别、机器学习技术领域，具体涉及到一种图像分类方法。

背景技术

自形式概念分析提出以来，凭借着独特的关系表示形式，成为数据分析领域一种高效的研究工具，形式概念分析已成功应用于推荐系统、数据挖掘等相关研究领域。概念认知是近年来兴起的一个研究方向，具有跨学科特点，涉及到心理学、脑信息科学、计算机科学等诸多研究领域，现有的研究证明，概念认知学习是一种高效的信息处理方式，但是已有的研究大多停留在理论论证层面。目前，形式概念分析在图像领域的应用较少，主要原因在于概念格固有的时间复杂度不能有效的处理图像中的多维信息。为此，如何将图像数据转化为形式背景并构建一个高效的学习模型，是该技术方法的关键问题之一。

发明内容

为了解决上述问题，本发明提出一种将图像数据转化为形式背景并构建一个学习模型的方法，通过图像特征提取技术、特征数据处理技术和概念学习方法解决形式概念认知难以应用在图像方面的问题。

本发明采用的技术方案为：一种图像分类方法，包括认知训练模块和图像分类模块，

所述认知训练模块，用来学习图像概念，最终生成一棵概念树用来实现图像分类任务；

所述图像分类模块，使用认知训练模块得到的概念树进行图像分类；

该方法包括如下步骤：

步骤一，对图像数据集IS中的每个图像p，使用PCA-SIFT方法提取图像特征描述FD，

图像特征描述FD维度为N_p*Z，定义如下：

其中，任意一行Z维向量称之为图像p的图像特征描述子，表示为1≤n≤N_p，N_p表示图像p的特征描述子数量；

步骤二，将所有图像的图像特征描述FD纵向拼接，生成图像集特征矩阵FDM，

图像集特征矩阵FDM维度为(∑_p∈ISN_p*Z)，定义如下：

其中，任意一行Z维向量称之为图像p的特征描述子，表示为1≤n≤∑_p∈IsN_p；

步骤三，对图像集特征矩阵FDM使用K-Means聚类方法，得到M个聚类中心，每个中心为一个词袋word，使用词袋集向量WS存储词袋，

词袋集向量WS维度为(1*M)，定义如下：

WS＝[word₁,word₂,word₃,……,word_M]

其中每个word_j,1≤j≤M，是一个聚类中心；

步骤四，将图像集特征矩阵FDM，划分到词袋集向量WS的聚类中心中，转化为图像集特征分布矩阵CDM，步骤如下：