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:
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;βj,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βj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),…,(xn,yn);
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hm(),使其最小化权重误差函数:
ωn(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:
c、更新权重:
其中,Zm是规范化因子,使所有ω的和为1;ωm+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:
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:
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;βj,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βj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),…,(xn,yn);
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hm(),使其最小化权重误差函数:
ωn(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:
c、更新权重:
其中,Zm是规范化因子,使所有ω的和为1;ωm+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:
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。