一种基于多核学习分类器融合的图像分类方法及装置与流程

技术特征：

1.一种基于多核学习分类器融合的图像分类方法，其特征在于，包括以下步骤：

S1、建立样本库，所述样本库中包括不同类型的样本；

S2、对不同类型的样本分别进行特征提取，根据特征提取结果获取与不同类型样本分别对应的核函数；

S3、将S2获取的核函数进行合成，建立多核模型；

S4、运用所述多核模型训练得到多个分类器；

S5、采用Adaboost算法对S4训练得到的多个分类器赋予不同的权重，以使多个分类器进行融合，得到目标分类器；

S6、利用所述目标分类器对待分类的图像进行分类，获取分类结果。

2.根据权利要求1所述的方法，其特征在于，所述S3将S2获取的核函数进行合成，建立多核模型，包括：

$k(x,z)=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j{\hat{k}}_j(x,z),{\mathrm{\β}}_j\≥0,\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j=1$

其中，k(x,z)为多核模型；为S2获取的核函数，x，z是训练数据，M是核函数总个数；β_j，j＝1,2,…,M为各个核函数的合成系数。

3.根据权利要求2所述的方法，其特征在于，所述各个核函数的合成系数β_j为采用Nystrom逼近算法获取的合成系数。

4.根据权利要求1所述的方法，其特征在于，所述S5利用Adaboost算法对S4训练得到的多个分类器赋予不同的权重，以使多个分类器进行融合，得到目标分类器，包括：

S51、选取n个学习样本(x₁,y₁),…,(x_n,y_n)；

S52、集成已有的样本提取方法对样本库进行若干个特征的提取；

S53、用多核模型训练样本得到若干个特征对应的MKL弱分类器；

S54、初始化所有训练样例的权重为1/N，其中N是样例数；

S55、进行如下循环迭代，以更新权重；其中，循环迭代M次：

a、训练弱分类器h_m()，使其最小化权重误差函数：

ω_n^(m)是第m次循环中第n个分类器的误差权重；

b、计算该弱分类器的话语权α：

${\mathrm{\α}}_m=ln\left\{\frac{1-{\mathrm{\ϵ}}_m}{{\mathrm{\ϵ}}_m}\right\}$

c、更新权重：

${\mathrm{\ω}}_{m+1,i}=\frac{{\mathrm{\ω}}_{m,i}}{Z_m}\exp (-{\mathrm{\α}}_m{y}_i{h}_m(x_i\left)\right),i=1,2,...N$

其中，Z_m是规范化因子，使所有ω的和为1；ω_m+1,i是在m+1次循环中第i个分类器的权重误差；其中，

S56、得到最后的二值分类器模型：

$Y_M\left(x\right)=sign\left(\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\α}}_m{h}_m\right(x\left)\right)$

所述二值分类器模型即为目标分类器；

相应地，S6利用所述目标分类器对待分类的图像进行分类，获取分类结果包括：

利用得到的二值分类器模型运用一对多法one-versus-rest扩展到解决多类问题；将某一个类别的样本记为一类，其余统一看成是另一类，得到与样本类型个数对应个数的二值分类器，然后将样本归类至测试输出值较大的一类，得到分类结果。

5.一种基于多核学习分类器融合的图像分类装置，其特征在于，包括：

建立单元，用于建立样本库，所述样本库中包括不同类型的样本；

特征提取单元，用于对不同类型的样本分别进行特征提取，根据特征提取结果获取与不同类型样本分别对应的核函数；

合成单元，用于将所述特征提取单元获取的核函数进行合成，建立多核模型；

训练单元，用于运用所述多核模型训练得到多个分类器；

融合单元，用于采用Adaboost算法对所述训练单元训练得到的多个分类器赋予不同的权重，以使多个分类器进行融合，得到目标分类器；

分类单元，用于利用所述目标分类器对待分类的图像进行分类，获取分类结果。

6.根据权利要求5所述的装置，其特征在于，所述合成单元，具体用于将所述特征提取单元获取的核函数进行合成，建立下面的多核模型：

$k(x,z)=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j{\hat{k}}_j(x,z),{\mathrm{\β}}_j\≥0,\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j=1$

其中，k(x,z)为多核模型；为S2获取的核函数，x，z是训练数据，M是核函数总个数；β_j，j＝1,2,…,M为各个核函数的合成系数。

7.根据权利要求6所述的装置，其特征在于，所述各个核函数的合成系数β_j为采用Nystrom逼近算法获取的合成系数。

8.根据权利要求5所述的装置，其特征在于，所述融合单元，具体用于：

选取n个学习样本(x₁,y₁),…,(x_n,y_n)；

集成已有的样本提取方法对样本库进行若干个特征的提取；

用多核模型训练样本得到若干个特征对应的MKL弱分类器；

初始化所有训练样例的权重为1/N，其中N是样例数；

进行如下循环迭代，以更新权重；其中，循环迭代M次：

a、训练弱分类器h_m()，使其最小化权重误差函数：

ω_n^(m)是第m次循环中第n个分类器的误差权重；

b、计算该弱分类器的话语权α：

${\mathrm{\α}}_m=ln\left\{\frac{1-{\mathrm{\ϵ}}_m}{{\mathrm{\ϵ}}_m}\right\}$

c、更新权重：

${\mathrm{\ω}}_{m+1,i}=\frac{{\mathrm{\ω}}_{m,i}}{Z_m}\exp (-{\mathrm{\α}}_m{y}_i{h}_m(x_i\left)\right),i=1,2,...N$

其中，Z_m是规范化因子，使所有ω的和为1；ω_m+1,i是在m+1次循环中第i个分类器的权重误差；其中，

得到最后的二值分类器模型：

$Y_M\left(x\right)=sign\left(\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\α}}_m{h}_m\right(x\left)\right);$

所述二值分类器模型即为目标分类器；

相应地，所述分类单元具体用于利用得到的二值分类器模型运用一对多法one-versus-rest扩展到解决多类问题；将某一个类别的样本记为一类，其余统一看成是另一类，得到与样本类型个数对应个数的二值分类器，然后将样本归类至测试输出值较大的一类，得到分类结果。