CN102194135A - 基于核自适应局部保持映射的图像分类方法和图像处理器 - Google Patents

Abstract

本发明涉及一种基于核自适应局部保持映射的图像分类方法和图像处理器，该方法包括步骤：先对图像数据进行训练，获得图像的核自适应局部保持映射和获得训练图像的核自适应局部保持映射分析特征向量；对待分类的图像处理得到归一化的图像数据将图像数据进行特征提取，得到图像的Gabor特征向量；将该图像的Gabor特征向量进行核自适应保持映射，获得图像的局部保持映射分析特征向量；然后对获得的核自适应局部保持映射特征向量进行分类以获得图像的类别。该基于核自适应局部保持映射的图像分类方法，通过数据依赖核，改变数据依赖核的相应参数达到改变核结构的目的，并根据核局部保持映射的图像特征提取，能够准确进行图像分类。

Description

基于核自适应局部保持映射的图像分类方法和图像处理器

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种基于核自适应局部保持映射的图像分类方法。

背景技术

数字图像是计算机处理的最常见媒体形式之一，如人脸图像、手写体文字、指纹、地图、自然照片等，相应地，产生了各种图像识别系统并得到广泛应用，如人脸识别系统、手写体识别系统、图像检索系统、遥感图像检索系统等。

各类图像分类系统已广泛应用于国防、军事、商业等领域，在国民经济建设、国家安全等占有重要地位。

最近，作为一种新的维数约简方法，流形学习方法引起了研究学者的广泛兴趣，并取得了大量的研究成果，其中具有代表性的算法有局部线性嵌入(LLE)，等距映射(Isomap)，拉普拉斯特征映射(Laplacian Eigenmap)以及最近提出的局部保持映射(LPP)。局部保持映射(LPP)的思想为通过保留局部邻近结构将数据从原始空间映射到低维特征空间。为了提升局部保持映射算法在进行图像非线性特征提取的能力，研究学者提出了基于核方法的局部保持映射的图像分类算法，然而核函数是影响核学习算法性能的重要因素，是核学习的一个重要环节，目前核局部保持映射的图像分类方法在执行过程中核函数及其参数是预先设定的，且在算法执行过程中保持不变的，而数据在不同核函数映射下的特征空间内具有不同的几何结构，若核函数及参数的选择不当会直接导致数据在特征空间的几何结构不适合分类，影响核学习算法的性能。现有技术中也提出了核函数参数可调的核学习算法，这些算法的思路是从一个离散参数集合选出一个合适的核参数，这些算法在一定程度上提高了核学习算法的性能，但未改变数据在核映射空间内的几何结构，不能从根本上改变核学习算法的性能，因而导致基于核学习的图像分类器中存在的核函数选择的不准确。

发明内容

本发明的目的是解决目前基于核学习的图像分类器存在的核函数选择不准确的问题，提供了一种基于核自适应局部保持映射的图像分类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于核自适应局部保持映射的图像分类方法，其包括训练步骤和分类步骤，其中，所述训练步骤包括步骤：

S1、对待训练的图像进行预处理，得到归一化的图像数据；

S2、对步骤S1获得的待训练图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

S3、对步骤S2获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

S4、将步骤S3中获得的核自适应局部保持映射作用到对步骤S2中获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类步骤：

S5、对待分类的图像进行预处理，得到归一化的图像数据；

S6、对步骤S5获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

S7、将步骤S3中获得的核自适应局部保持映射作用在步骤6中获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

S8、将步骤S7中得到的待分类图像的核自适应局部保持映射分析特征向量与步骤S4中得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

其中，优选的，所述步骤S3具体包括：

步骤S31、选择基本核函数k(z₁，z₂)、数据依赖核函数

及与二者相关的参数，并由基本核函数k(z₁，z₂)计算获得基本核矩阵K；

步骤S32、给定训练样本数据，并根据所述给定的训练样本数据以及选择膨胀向量的方法，获得膨胀向量的表达式；再根据获得的膨胀向量的表达式、所述基本核矩阵K和步骤S2所获得的图像的Gabor特征向量，并利用最大间隔核自适应优化准则，计算并获得数据依赖核函数的膨胀系数向量；

步骤S33、利用步骤S31获得的数据依赖核函数

的膨胀系数向量，构造并获得数据依赖核函数

和数据依赖核矩阵

步骤S34、根据步骤S33获得的最优的数据依赖核函数

和数据依赖核矩阵

计算并获得核自适应局部保持映射特征向量。

其中，优选的，所述步骤S32具体包括步骤：

S321、给定训练样本数据：z(1)，z(2)，...，z(n)，其中n表示训练样本数据中包含的数据个数，由选择膨胀向量的方法获得膨胀向量的表达式为：

$e(z_1,z_2)=e^{-\mathrm{\ϵ}{\left|\right|z_1-z_2\left|\right|}^2}$

其中，z1、z2为输入参变量，Δ为根据先验知识事先选定的常数；

S322、根据所述膨胀向量的表达式e(z1，z2)，其中z1、z2为输入参变量，构造矩阵E：

构造矩阵B：

$B=\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L})-\frac{1}{n}K$

式中，L为训练样本数据中所包含的类别数，n1、n2、...、nL分别为训练样本数据中每一种类别所包含的数据的个数，且n₁+n₂+...+n_L＝n，Ktt为t×t的对角矩阵，其中t＝1，2，...，L，，K为n×n的矩阵；构造矩阵W：

$W=\mathrm{diag}(k_{11},k_{22},...,k_{\mathrm{nn}})-\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L}),$

式中，k11、k22、...、knn分别为K的主对角线元素；

S322、根据最大间隔准则，计算B-W的最大特征对应的特征向量α。

其中，优选的，所述步骤S34具体过程包括：

S341、利用给定的数据依赖核函数

来构造核矩阵

和相似性矩阵S^Φ和D^Φ，其中：

$D^{\mathrm{\Φ}}=\mathrm{diag}[\underset{j}{\mathrm{\Σ}}{S}_{1j}^{\mathrm{\Φ}},\underset{j}{\mathrm{\Σ}}{S}_{2j}^{\mathrm{\Φ}},...,\underset{j}{\mathrm{\Σ}}{S}_{\mathrm{nj}}^{\mathrm{\Φ}}]$

S342、求解核矩阵

的m个最大特征值λ₁，λ₂，...，λ_m所对应的m个特征向量r₁，r₂，...，r_m，其中

S343、利用矩阵

的QR分解问题，可以得到矩阵K的其中对应于m个最大特征值λ₁，λ₂，...，λ_m的正交特征向量r₁，r₂，...，r_m，其中P＝[r₁，r₂，...，r_m]，Λ＝diag(λ₁，λ₂，...，λ_m)，构造矩阵 $L_k={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{L}^{\mathrm{\Φ}}P{\mathrm{\Λ}}^{\frac{1}{2}}$ 和 $D_k={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{D}^{\mathrm{\Φ}}P{\mathrm{\Λ}}^{\frac{1}{2}},$ 其中L^Φ＝D^Φ-S^Φ；

S344、求解方程D_kβ＝λ^*L_kβ的特征值问题，获得对应d个非零特征值的特征向量矩阵B＝[β₁，β₂，...，β_d]。

S345、给定样本x， $y={\left(\begin{array}{cccc}\frac{r_1}{\sqrt{{\mathrm{\λ}}_1}}& \frac{r_2}{\sqrt{{\mathrm{\λ}}_2}}& ...& \frac{r_m}{\sqrt{{\mathrm{\λ}}_m}}\end{array}\right)}^T{[\hat{k}(x_1,x),\hat{k}(x_2,x),...,\hat{k}(x_n,x)]}^T.$

其中，优选的，所述步骤S4具体包括：

逐一计算训练样本数据中每一种类别数据的平均值，选定相似量度表达式，分别计算步骤S3获得的核自适应局部保持映射特征向量与所属每一种类别图像特征数据的平均值的相似量度值，并在计算所得的所有相似量度值中找出最大的相似量度值，则该最大的相似量度值所对应的数据的类别即为该待分类图像的类别。

本发明还提供一种图像处理器，其包括：

训练单元和分类单元，其中，所述训练单元包括：：

第一归一化单元，用于对待训练的图像进行预处理，得到归一化的图像数据；

第一特征提取单元，用于对所述第一归一化单元所获得的待训练图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第一映射单元，对第一特征提取单元获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

特征向量获取单元，用于将第一映射单元获得的核自适应局部保持映射作用到第一特征提取单元获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类单元包括：

第二归一化单元，用于对待分类的图像进行预处理，得到归一化的图像数据；

第二特征提取单元，对第二归一化单元获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第二映射单元，将第一映射单元获得的核自适应局部保持映射作用在第二特征提取单元获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

图像类别匹配单元，将第二映射单元得到的待分类图像的核自适应局部保持映射分析特征向量与特征向量获取单元得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

实施本发明的技术方案，具有以下有益效果：该基于核自适应局部保持映射的图像分类方法，通过数据依赖核，改变数据依赖核的相应参数达到改变核结构的目的，并根据核局部保持映射的图像特征提取，能够准确进行图像分类。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例提供的基于核自适应局部保持映射的图像分类方法流程图；

图2为本发明实施例提供的获得图像的局部保持映射分析特征向量的方法流程图；

图3为本发明实施例提供的图像处理器的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于核自适应局部保持映射的图像分类方法，如图1所示，该方法包括步骤：

S1、对待训练的图像进行预处理，得到归一化的图像数据；在该步骤中，利用图像采集设备得到的图像数据进行预处理。

S2、对步骤S1获得的待训练图像利用Gabor(Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征)小波分析进行特征提取，得到图像的Gabor特征向量；

S3、对步骤S2获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

S4、将步骤S33中获得的核自适应局部保持映射作用(该：“作用”二字也可以称为：“映射”)到对步骤S2中获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类步骤：

S5、对待分类的图像进行预处理，得到归一化的图像数据；

S6、对步骤S5获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

S7、将步骤S3中获得的核自适应局部保持映射作用(该：“作用”二字也可以称为：“映射”)在步骤S6中获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

S8、将步骤S7中得到的待分类图像的核自适应局部保持映射分析特征向量与步骤S4中得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

上述步骤S4具体包括：

逐一计算训练样本数据中每一种类别数据的平均值，选定相似量度表达式，分别计算步骤S3获得的核自适应局部保持映射特征向量与所属每一种类别图像特征数据的平均值的相似量度值【为了方便计算，本发明中采用两个向量的Hilbert(希尔伯特)内积作为这两个向量的相似度】，并在计算所得的所有相似量度值中找出最大的相似量度值，则该最大的相似量度值所对应的数据的类别即为该待分类图像的类别。

该实施例提供的基于核自适应局部保持映射的图像分类方法，通过数据依赖核，改变数据依赖核的相应参数达到改变核结构的目的，并根据核局部保持映射的图像特征提取，能够准确进行图像分类。

在进一步的实施例中，如图2所示，上述实施例中的步骤S3具体包括：

步骤S31、选择基本核函数k(z₁，z₂)、数据依赖核函数及与二者相关的参数，并由基本核函数k(z₁，z₂)计算获得基本核矩阵K；

步骤S32、给定训练样本数据，并根据给定的训练样本数据以及选择膨胀向量的方法，获得膨胀向量的表达式；再根据获得的膨胀向量的表达式、所述基本核矩阵K和步骤S2所获得的图像的Gabor特征向量，并利用最大间隔核自适应优化准则，计算并获得数据依赖核函数的膨胀系数向量；在更进一步的实施例中，所述步骤S32具体包括步骤：

S321、给定训练样本数据：z(1)，z(2)，...，z(n)，其中n表示训练样本数据中包含的数据个数，由选择膨胀向量的方法获得膨胀向量的表达式为：

$e(z_1,z_2)=e^{-\mathrm{\ϵ}{\left|\right|z_1-z_2\left|\right|}^2}$

其中，z1、z2为输入参变量，Δ为根据先验知识事先选定的常数；

S322、根据所述膨胀向量的表达式e(z1，z2)，其中z1、z2为输入参变量，构造矩阵E：

构造矩阵B：

$B=\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L})-\frac{1}{n}K$

式中，L为训练样本数据中所包含的类别数，n1、n2、...、nL分别为训练样本数据中每一种类别所包含的数据的个数，且n₁+n₂+...+n_L＝n，Ktt为t×t的对角矩阵，其中t＝1，2，...，L，，K为n×n的矩阵；构造矩阵W：

$W=\mathrm{diag}(k_{11},k_{22},...,k_{\mathrm{nn}})-\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L}),$

式中，k11、k22、...、knn分别为K的主对角线元素；S322、根据最大间隔准则，计算B-W的最大特征对应的特征向量α。

步骤S33、利用步骤31获得的数据依赖核函数

的膨胀系数向量，构造并获得数据依赖核函数和数据依赖核矩阵

步骤S34、根据步骤S33(S34)获得的最优的数据依赖核函数

和数据依赖核矩阵

计算并获得核自适应局部保持映射特征向量。在更进一步的实施例中，所述步骤S34具体过程包括步骤：

S341、利用给定的数据依赖核函数来构造核矩阵

和相似性矩阵S^Φ和D^Φ，其中：

$D^{\mathrm{\Φ}}=\mathrm{diag}[\underset{j}{\mathrm{\Σ}}{S}_{1j}^{\mathrm{\Φ}},\underset{j}{\mathrm{\Σ}}{S}_{2j}^{\mathrm{\Φ}},...,\underset{j}{\mathrm{\Σ}}{S}_{\mathrm{nj}}^{\mathrm{\Φ}}]$

S342、求解核矩阵的m个最大特征值λ₁，λ₂，...，λ_m所对应的m个特征向量r₁，r₂，...，r_m，其中

S343、利用矩阵

的QR分解问题，可以得到矩阵K的其中对应于m个最大特征值λ₁，λ₂，...，λ_m的正交特征向量r₁，r₂，...，r_m，其中P＝[r₁，r₂，...，r_m]，Λ＝diag(λ₁，λ₂，...，λ_m)，构造矩阵 $L_k={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{L}^{\mathrm{\Φ}}P{\mathrm{\Λ}}^{\frac{1}{2}}$ 和 $D_k={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{D}^{\mathrm{\Φ}}P{\mathrm{\Λ}}^{\frac{1}{2}},$ 其中L^Φ＝D^Φ-S^Φ；

S344、求解方程D_kβ＝λ^*L_kβ的特征值问题，获得对应d个非零特征值的特征向量矩阵B＝[β₁，β₂，...，β_d]。

S345、给定样本x， $y={\left(\begin{array}{cccc}\frac{r_1}{\sqrt{{\mathrm{\λ}}_1}}& \frac{r_2}{\sqrt{{\mathrm{\λ}}_2}}& ...& \frac{r_m}{\sqrt{{\mathrm{\λ}}_m}}\end{array}\right)}^T{[\hat{k}(x_1,x),\hat{k}(x_2,x),...,\hat{k}(x_n,x)]}^T.$

在上述实施例中，在分类步骤中的步骤S5、S6与训练步骤中的步骤S1、S2分别相同，实现方法也是相同，故不再累述，分类步骤中的步骤S7是利用训练步骤中得到的核自适应局部保持映射把待分类图像映射称为核自适应局部保持映射分析特征向量。同样，在步骤S8中，逐一计算训练样本数据中每一种类别数据的平均值，选定相似量度表达式，分别计算步骤S3获得的核自适应局部保持映射特征向量与所属每一种类别图像特征数据的平均值的相似量度值，并在计算所得的所有相似量度值中找出最大的相似量度值，则该最大的相似量度值所对应的数据的类别即为该待分类图像的类别。

本发明实施例还提供一种图像处理器，如图3所示，该图像处理器包括训练单元和分类单元，其中，所述训练单元包括：：

第一归一化单元201，用于对待训练的图像进行预处理，得到归一化的图像数据；

第一特征提取单元202，用于对所述第一归一化单元201所获得的待训练图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第一映射单元203，对第一特征提取单元202获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

特征向量获取单元204，用于将第一映射单元203获得的核自适应局部保持映射作用到第一特征提取单元202获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类单元包括：

第二归一化单元211，用于对待分类的图像进行预处理，得到归一化的图像数据；

第二特征提取单元212，对第二归一化单元211获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第二映射单元213，将第一映射单元203获得的核自适应局部保持映射作用在第二特征提取单元212获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

图像类别匹配单元214，将第二映射单元213得到的待分类图像的核自适应局部保持映射分析特征向量与特征向量获取单元204得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于核自适应局部保持映射的图像分类方法，其特征在于，包括训练步骤和分类步骤，其中，所述训练步骤包括步骤：

S1、对待训练的图像进行预处理，得到归一化的图像数据；

S2、对步骤S1获得的待训练图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

S3、对步骤S2获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

S4、将步骤S3中获得的核自适应局部保持映射作用到对步骤S2中获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类步骤：

S5、对待分类的图像进行预处理，得到归一化的图像数据；

S6、对步骤S5获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

S7、将步骤S3中获得的核自适应局部保持映射作用在步骤S6中获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

S8、将步骤S7中得到的待分类图像的核自适应局部保持映射分析特征向量与步骤S4中得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

2.根据权利要求1所述的基于核自适应局部保持映射的图像分类方法，其特征在于，所述步骤S3具体包括：

步骤S31、选择基本核函数k(z₁，z₂)、数据依赖核函数

及与二者相关的参数，并由基本核函数k(z₁，z₂)计算获得基本核矩阵K；

步骤S32、给定训练样本数据，并根据所述给定的训练样本数据以及选择膨胀向量的方法，获得膨胀向量的表达式；再根据获得的膨胀向量的表达式、所述基本核矩阵K和步骤S2所获得的图像的Gabor特征向量，并利用最大间隔核自适应优化准则，计算并获得数据依赖核函数

的膨胀系数向量；

步骤S33、利用步骤32获得的数据依赖核函数

的膨胀系数向量，构造并获得数据依赖核函数

和数据依赖核矩阵

步骤S34、根据步骤S33获得的最优的数据依赖核函数和数据依赖核矩阵

计算并获得核自适应局部保持映射特征向量。

3.根据权利要求2所述的基于核自适应局部保持映射的图像分类方法，其特征在于，所述步骤S32具体包括步骤：

S321、给定训练样本数据：z(1)，z(2)，...，z(n)，其中n表示训练样本数据中包含的数据个数，由选择膨胀向量的方法获得膨胀向量的表达式为：

$e(z_1,z_2)=e^{{-\mathrm{\ϵ}\left|\right|z_1-z_2\left|\right|}^2}$

其中，z1、z2为输入参变量，Δ为根据先验知识事先选定的常数；

S322、根据所述膨胀向量的表达式e(z1，z2)，其中z1、z2为输入参变量，构造矩阵E：

构造矩阵B：

$B=\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L})-\frac{1}{n}K$

式中，L为训练样本数据中所包含的类别数，n1、n2、...、nL分别为训练样本数据中每一种类别所包含的数据的个数，且n₁+n₂+...+n_L＝n，Ktt为t×t的对角矩阵，其中t＝1，2，...，L，，K为n×n的矩阵；构造矩阵W：

$W=\mathrm{diag}(k_{11},k_{22},...,k_{\mathrm{nn}})-\mathrm{diag}(\frac{1}{n_1}{K}_{1\×1},\frac{1}{n_2}{K}_{2\×2},...,\frac{1}{n_L}{K}_{L\×L}),$

式中，k11、k22、...、knn分别为K的主对角线元素；

S322、根据最大间隔准则，计算B-W的最大特征对应的特征向量α。

4.根据权利要求2或3所述的基于核自适应局部保持映射的图像分类方法，其特征在于，所述步骤S34具体过程包括：

S341、利用给定的数据依赖核函数

来构造核矩阵

和相似性矩阵S^Φ和D^Φ，其中：

$D^{\mathrm{\Φ}}=\mathrm{diag}[\underset{j}{\mathrm{\Σ}}{S}_{1j}^{\mathrm{\Φ}},\underset{j}{\mathrm{\Σ}}{S}_{2j}^{\mathrm{\Φ}},...,\underset{j}{\mathrm{\Σ}}{S}_{\mathrm{nj}}^{\mathrm{\Φ}}]$

S342、求解核矩阵

的m个最大特征值λ₁，λ₂，...，λ_m所对应的m个特征向量r₁，r₂，...，r_m，其中

S343、利用矩阵

的QR分解问题，可以得到矩阵K的其中对应于m个最大特征值λ₁，λ₂，...，λ_m的正交特征向量r₁，r₂，...，r_m，其中P＝[r₁，r₂，...，r_m]，Λ＝diag(λ₁，λ₂，...，λ_m)，构造矩阵 $L_K={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{L}^{\mathrm{\Φ}}{\mathrm{P\Λ}}^{\frac{1}{2}}$ 和 $D_k={\mathrm{\Λ}}^{\frac{1}{2}}{P}^T{D}^{\mathrm{\Φ}}{\mathrm{P\Λ}}^{\frac{1}{2}},$ 其中L^Φ＝D^Φ-S^Φ；

S344、求解方程D_kβ＝λ*L_kβ的特征值问题，获得对应d个非零特征值的特征向量矩阵β＝[β₁，β₂，...，β_d]，

S345、给定样本x， $y={(\frac{r_1}{\sqrt{{\mathrm{\λ}}_1}}\frac{r_2}{\sqrt{{\mathrm{\λ}}_2}}\·\·\·\frac{r_m}{\sqrt{r_m}})}^T{[\hat{k}(x_1,x),\hat{k}(x_2,x),...,\hat{k}(x_n,x)]}^T.$

5.根据权利要求1所述的基于核自适应局部保持映射的图像分类方法，其特征在于，步骤S4具体包括：

逐一计算训练样本数据中每一种类别数据的平均值，选定相似量度表达式，分别计算步骤S3获得的核自适应局部保持映射特征向量与所属每一种类别图像特征数据的平均值的相似量度值，并在计算所得的所有相似量度值中找出最大的相似量度值，则该最大的相似量度值所对应的数据的类别即为该待分类图像的类别。

6.一种图像处理器，其特征在于，包括：

训练单元和分类单元，其中，所述训练单元包括：：

第一归一化单元，用于对待训练的图像进行预处理，得到归一化的图像数据；

第一特征提取单元，用于对所述第一归一化单元所获得的待训练图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第一映射单元，对第一特征提取单元获得的图像的Gabor特征向量进行训练，获得图像的核自适应局部保持映射；

特征向量获取单元，用于将第一映射单元获得的核自适应局部保持映射作用到第一特征提取单元获得的训练图像的Gabor特征向量中，获得训练图像的核自适应局部保持映射分析特征向量；

所述分类单元包括：

第二归一化单元，用于对待分类的图像进行预处理，得到归一化的图像数据；

第二特征提取单元，对第二归一化单元获得图像利用Gabor小波分析进行特征提取，得到图像的Gabor特征向量；

第二映射单元，将第一映射单元获得的核自适应局部保持映射作用在第二特征提取单元获得的待分类图像的Gabor特征向量上，获得待分类图像的核自适应局部保持映射分析特征向量；

图像类别匹配单元，将第二映射单元得到的待分类图像的核自适应局部保持映射分析特征向量与特征向量获取单元得到的训练图像的核自适应局部保持映射分析特征向量进行匹配得到该图像的类别信息。

Images