技术特征:1.一种基于稀疏表示字典学习的图像分类方法,其特征在于:该方法采用基于块对角稀疏表示字典学习算法模型,
其中||X||1表示矩阵稀疏约束,||Xii||*表示矩阵低秩约束,表示矩阵正则项,表示训练样本,第i个子块矩阵Yi表示第i类训练样本,第j列向量yj表示第j个训练样本,YW表示基于训练样本的线性组合字典,表示字典组合系数,X表示训练样本Y在字典YW上的稀疏表示系数,Xii表示第i类训练样本在第i类子字典上的稀疏表示系数,m表示样本维度,N表示样本数量,
K=K1+K2+...KC表示字典原子个数,Ki表示第i类子字典的原子个数。
2.根据权利要求1所述的基于稀疏表示字典学习的图像分类方法,其特征在于:采用分离变量以及交替迭代ADMM算法对模型进行分解,再根据阈值法对l1范数和核范数进行求解。
3.根据权利要求2所述的基于稀疏表示字典学习的图像分类方法,其特征在于:分离变量为:
首先引入变量序列使得Zii=Xii,则原模型可转变为:
再利用增广Lagrange法将上述模型变成无约束模型:
其中Fii表示Lagrange乘子,γ表示惩罚系数,<A,B>=trace(ATB)。
4.根据权利要求3所述的基于稀疏表示字典学习的图像分类方法,其特征在于:利用交替迭代求解方法直接求解,包括:
(1)固定W和Xii求解Zii
其中U∑VT表示的奇异值分解形式(SVD),表示阈值分割函数,
(2)固定W和Zii求解Xii
首先定义hi(·)函数如下:
求解Xii如下:
其中W=[W1,W2,...,WC],K=K1+K2+...+KC,表示hi(·)函数关于Xii的一阶偏导,为:
同时则Xii的解析形式为:
(3)固定Xii和Zii求解W
当固定Xii和Zii时,关于W的求解问题可转换为:
令再逐列进行求解:
其中表示Xt+1的第k行,表示的第k列,Ek定义如下:
求解
(4)更新Lagrange乘子Fii和惩罚参数γ
5.
其中ρ=1.1,γmax=1010
关于此模型的收敛条件定义如下: