征向量矩阵的第i个分量向量。
[0080] II)计算每个特征向量X1*和字典向量之间的欧式距离P1，计算公式如下：
[0082] dist (Xi*, D) = [dist (Xi*, (I1)，…，dist (Xi*, dk) ]T，dist (Xi*, (Ii)是特征向量 Xi* 与每一个字典向量山间的欧式距离，σ是调整局部约束速度的权重。
[0083] III)计算局部约束低秩编码的特征表示向量Ζ*，计算公式为：
[0085] 其中λ λ 2>〇是权重；p ^为上述步骤II计算得到的欧氏距离。
[0086] IV)采用空间金字塔匹配方法，将Ζ*分成2"Χ2^，其中1 = 1，2, 4,分别代表不 同的三层对应的空间金字塔分块的个数。然后针对每层中每个字块的Z1*进行最大池化， 保持特征表示向量具有一定的鲁棒性，即Zi* = max {I Zli* I，I z2i* I，…，I Zy* I }，得到最终的 低秩编码的第i向量Zi*,其中Zji*是第j块中的第i个元素 ，j = S1XS1,这样得到最后的 特征表示矩阵Z*'。
[0087] V)将特征表示矩阵Z*'输入训练部分得到的SVM分类器，得到待分类图像所属的 类别标签。
[0088] VI)统计测试分类图像正确分类的百分比，得到每类测试图像最终的分类精度。
[0089] 为了对比本发明方法的有效性，测试中选取了最常用的几种相关图像分类方法对 应程序，对比试验的实验参数的设置完全相同，均得到实验分类对比结果，如列表所示。
[0090] 表1为Scene 13的部分分类精度（第一组）；
[0091] 表2为Scene 13的部分分类精度（第二组）；
[0092] 表3为Scene 13的整体分类精度和时间；
[0093] 表4为CaltechlOl的部分分类精度（第一组）；
[0094] 表5为CaltechlOl的整体分类精度和时间。
[0095] 其中ScSPM为基于稀疏编码的空间金字塔模型图像分类方法，LLC为局部约束线 性编码图像分类方法，LrrSPM为基于空间金字塔的快速低秩表示的图像分类方法，FLCLR 为本实验提出的快速局部约束地址编码的图像分类方法。
[0096] 表 1
CN 105184298 A 说明书 8/8 页
【主权项】
1. 一种快速局部约束低秩编码的图像分类方法，其特征在于：包括字典学习部分、训 练部分和测试部分； 所述字典学习部分包括以下步骤过程； 1) 利用SIFT特征提取方法对图像库所有图像进行局部特征提取，得到输入特征向量 矩阵X = [X1, X2，…，xn] e RmXn;其中X Rn是特征向量矩阵的第i个分量向量，m为向量 的维数，η为向量个数； 2) 利用K-means方法聚类或者其他字典学习方法，对所有图像提取的特征向量矩阵X 进行聚类处理，得到过完备字典D= [C^d2，…，dk] e Rmxk;其中m是字典的维数，k为字典 基的数量； 所述训练部分包括以下步骤过程； i) 从图像库中选取部分图像作为训练图像，利用SIFT特征提取方法对所有训练图像 进行局部特征提取，得到输入特征向量矩阵X' = [Χι'，χ2'，···，χη'] eRmXn;其中Xi' GRn 是特征向量矩阵的第i个分量向量，其中m为向量的维数，η为向量个数； ii) 计算每个特征向量x/和字典向量D之间的欧式距离Pi,计算公式如下：distUAD) = [dist (Xi^d1), ...，dist (Xi^dk)]'dist (Xi^di)是特征向量 Xi'与每 一个字典向量山间的欧式距离；σ是调整局部约束速度的权重； iii) 计算局部约束低秩编码的特征表示向量Ζ，计算公式为：其中λ λ 2> 〇是权重，I为单位向量，Z = [z ^ Z1，…，zn] e RkXn;p ;为上述步骤ii 计算得到的欧氏距离； iv) 对得到的特征表示向量Z采用空间金字塔匹配方法进行处理，将Z分成2^21块， 其中1 = 1，2, 4,分别代表不同的三层对应的空间金字塔分块的个数；然后针对每层中每个 字块的Zi进行最大池化，即z ; = max{ I z H I，I z2i I，…，I Zm I }，得到最终的低秩编码的第i向 量Z1，其中Z]1是第j块中的第i个元素 ，j = 2 ^21,通过这个过程得到最后的特征表示矩 阵Z，； V)将特征表示矩阵Z'输入SVM分类器；每个图像对应有一个标签，根据每类图像类别 标签和其对应的特征表示矩阵Z'，学习得到SVM分类器的核函数； 所述测试部分包括以下步骤过程； I) 对图像库中选取训练图像后剩余的图像，提取SIFT特征，得到输入特征向量矩阵X* =[χΛχΛ…，XnI e Rmx'其中Rn是特征向量矩阵的第i个分量向量； II) 计算每个特征向量Xi""和字典向量之间的欧式距离Pi,计算公式如下：distUAD) = [(Iist(Xi^d1), .",(Iist(Xi^dk)]T, (Iist(Xi^di)是特征向量 Xi*与每一 个字典向量山间的欧式距离；σ是调整局部约束速度的权重； III) 计算局部约束低秩编码的特征表示向量Z*，计算公式为：其中λ1; λ 2> 〇是权重，其中I为单位向量；p ^为上述步骤π计算得到的欧氏距离； IV) 采用空间金字塔匹配方法，将特征表示向量Z*分成S1XS1块，其中1 = 1，2, 4,分 别代表不同的三层对应的空间金字塔分块的个数；然后针对每层中每个字块的进行最 大池化，保持特征表示向量具有一定的鲁棒性，即I z Jl, I Z2iiI,…，I ζ/|}，得到 最终的低秩编码的第i向量ζΛ其中ζ/是第j块中的第i个元素 ，j = 2 1XS1,这样得到 最后的特征表示矩阵Z*' ； V) 将特征表示矩阵Z*'输入训练部分得到的SVM分类器，得到待分类图像所属的类别 标签； VI) 统计测试分类图像正确分类的百分比，得到每类测试图像最终的分类精度； 所述训练部分中步骤iii以及测试部分中步骤III，计算局部约束低秩编码的特征表 示向量，计算局部约束的低秩编码方法包括以下步骤； a) 在字典误差为零的情况下，E1= D-D。= 0, F范数I I · I I河以取代核范数I I · I I db) 低秩约束采取联合编码方式，在图像特征全局结构一致性的基础上，弥补特征的局 部空间相似性，加入局部约束项，上述步骤a中优化后的表达式变为：其中λ λ 2>〇为不相等的权重；符号0表示两向量的对应元素相乘；Ρι为特征向量 X1和字典向量D的欧氏距离p 1:(IistUi, D) = [distUi, (I1),…，(IistUi, dk)]T, (IistUi, (Ii)是特征向量 Xi与每一个字 典向量山间的欧式距离；σ是调整局部约束速度的权重； c) 对上述步骤b中加入局部约束项后的优化表达式进行求导最后计算得到特征表示向量：其中I为 kXk的单位向量。
【专利摘要】本发明公开了一种快速局部约束低秩编码的图像分类方法，该方法分字典学习部分、训练部分和测试部分。字典学习部分是根据数据集提取的所有SIFT特征学运用到k-menas方法聚类或其他字典学习方法得到相应的字典。训练部分选取每个数据集每类中的部分图像作为训练图像，然后针对这些图像的标签学习每个类别对应的低秩表示，经过SPM量化得到经过SVM分类训练得到类别标签和特征表示矩阵对应的核函数。测试部分以每个数据库中剩余的所有图像作为待分类的测试图像，针对任意一张不知类别的图像，首先提取SIFT特征，然后求得其在字典下的低秩编码矩阵，经过SPM量化得到最终的特征表示矩阵，将其输入训练部分得到的SVM分类器，从而得到该图像所属类别。
【IPC分类】G06K9/46, G06K9/62
【公开号】CN105184298
【申请号】CN201510534124
【发明人】范敏, 王芬, 杜思远
【申请人】重庆大学
【公开日】2015年12月23日
【申请日】2015年8月27日