1.一种图像分类中通用的判别性稀疏编码字典学习方法,其特征在于,包括以下步骤:
(1)设计一种图像分类中通用的判别性稀疏编码字典学习方法,它独立于分类器学习,并对各种“字典”求解算法具有普适性:
假设“字典”U=[U+,U-],即字典U分为U+和U-两部分,其中U+为正类字典,U-为负类字典。判别性“字典”的特点是“字典”中的“基”与类别相关联,即U+中的“基”总是倾向表达正类特征,而U-中的“基”总是倾向表达负类特征;因而,可依据正类样本的特征集X+和负类样本的特征集X-的重构误差对U+和U-分别进行学习;若V=(vij)为稀疏表示系数矩阵,其中i=1,...,k,j=1,...,n,k和n分别是字典U中“基”的个数和局部特征的个数,要使稀疏表达的重构误差最小,可通过优化如下目标函数来分别更新U+和U-:
公式(1)和(2)中的优化问题可通过共轭梯度法、Lagrange对偶法或K-SVD算法求解,得到U=[U+,U-];而其中的是V的子矩阵,分别与“字典”U+和U-相对应和匹配,通过步骤(2)求得,抽取子矩阵和应满足分类表征“损失”小的基本原则,即类间差异性大,而表征损失小;
(2)求解稀疏表示系数矩阵V中的关键行向量作为公式(1)和(2)中的和
1)将V分解为V=[V+,V-],和分别是特征集X+和X-对应的稀疏表示系数矩阵,则可计算:
其中,它们分别表示字典U中第i个“基”被用来表征正类和负类特征的使用“频率”;显然,值越大表示第i个“基”更倾向于表达正类特征,对应的稀疏表示系数项在正类特征的表征中占更大的权重,应被选择到中,反之,则更倾向于表达负类特征,对应的稀疏表示系数项在负类特征的表征中占更大的权重,应被选择到
2)按照各个“基”对应的元素ai值由大到小的顺序重新排列“基”,则前部分更倾向于表达正类特征,而后部分更倾向于表达负类特征,而按此顺序重新排列对应V的各行,得到矩阵
3)对进行分割,令
对于固定大小的特征集X+和X-,对的列分割位置总是不变的,即的列宽度大小分别和X+,X-保持一致。而在不同的行位置分割,可得到不同的和因而,需要查找最优分割行,方法是:在列分割位置不变的前提下,针对不同的分割行位置,将公式(4)中的对角矩阵和置换为0矩阵,得到矩阵然后计算中正负特征稀疏表示系数间的类间距或Fisher判别准则函数值,以及将和置换为0矩阵后正负特征的表征损失或重构误差来确定最优分割行。