CN109829481B - 一种图像分类方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。

Description

一种图像分类方法、装置、电子设备及可读存储介质

技术领域

本发明涉及模式识别技术领域，特别是涉及一种图像分类方法、装置、电子设备及可读存储介质。

背景技术

随着多媒体技术与互联网技术的飞速发展，获得高质量的图像变得越来越容易。高质量的图像具有高维性，高维性使得图像特征更加饱满，同时，高维性也给计算机的处理带来了困难。图像表示和分类是模式识别领域内非常重要的课题，在对图像进行分类时，上述有利于图像表示的高维数据往往会造成“维度灾难”，所以，在对图像进行分类之前可以进行必要的特征提取。在图像分类过程中，对图像特征提取是否合理以及对图像分类所用分类函数是否最优将会直接影响图像的分类结果。

NMF(Nonnegative Matrix Factorization，非负矩阵分解)即是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法，能有效的提取图像的特征。对于任意给定的一个非负矩阵A，NMF算法是为了寻找到一个非负矩阵X和一个非负矩阵Y，使其乘积与源矩阵A相近，即A≈X×Y，其中，X和Y分别称为基矩阵和系数矩阵。NMF算法中是通过矩阵分解得到原数据矩阵的低秩逼近，从而可以发现数据的内在结构特征。NMF算法是一种无监督的分解算法，没有用到样本数据的标签信息，但在实际应用中遇到的数据可能会有部分样本带有标签信息，通过使用标签信息对NMF算法进行约束，形成CNMF(Constrained Non-negative Matrix Factorization，半监督非负矩阵分解)，即将非负矩阵A分解为基矩阵U、特征矩阵V和标签约束矩阵C，即A≈U(CV)^T。CNMF算法虽然在处理数据时更准确，但是对于高质量的高维数据，仍会耗费大量的时间，图像处理的速度比较慢，导致对图像分类的效率较低。

发明内容

本发明实施例的目的在于提供一种图像分类方法、装置、电子设备及可读存储介质，以提高图像分类的效率。具体技术方案如下：

本发明实施例提供了一种图像分类方法，所述方法包括：

对所获取的各样本图像进行灰度化处理，得到所述各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；所述各样本图像包括：各训练图像和各待分类图像；

分别将所述各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立所述灰度矩阵，对所述灰度矩阵进行归一化处理，得到归一化灰度矩阵；

根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的；

将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征矩阵，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模型，得到所述各待分类图像的分类结果，所述图像分类模型是对所述混合特征矩阵中所述各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。

可选的，所述标签约束矩阵的建立方法包括：

若所述各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且所述t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据所述l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

可选的，所述根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，包括：

若所述归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_ij表示U_m×n中第i行第j列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

可选的，所述对所述灰度矩阵进行归一化处理，包括：

若所述灰度矩阵中元素的最大值为z，将所述灰度矩阵中的每个元素除以z。

本发明实施例提供了一种图像分类装置，所述装置包括：

图像矩阵建立模块，用于对所获取的各样本图像进行灰度化处理，得到所述各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；所述各样本图像包括：各训练图像和各待分类图像；

归一化灰度矩阵建立模块，用于分别将所述各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立所述灰度矩阵，对所述灰度矩阵进行归一化处理，得到归一化灰度矩阵；

特征矩阵计算模块，用于根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的；

图像分类模块，用于将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征矩阵，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模型，得到所述各待分类图像的分类结果，所述图像分类模型是对所述混合特征矩阵中所述各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。

可选的，本发明实施例的图像分类装置，还包括：

标签约束矩阵建立模块，用于若所述各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且所述t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据所述l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

可选的，所述特征矩阵计算模块，具体用于若所述归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_ij表示U_m×n中第i行第j列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

可选的，所述归一化灰度矩阵建立模块，包括：

归一化子模块，用于若所述灰度矩阵中元素的最大值为z，将所述灰度矩阵中的每个元素除以z。

本发明实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的图像分类方法的步骤。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一所述的图像分类方法的步骤。

本发明实施例提供的图像分类方法、装置、电子设备及可读存储介质，对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像，根据各二维图像矩阵建立灰度矩阵，对灰度矩阵进行归一化处理；根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。本发明实施例通过将半张量积和标签约束同时用于非负矩阵分解中，使非负矩阵分解算法从无监督算法转变为可以用到样本图像标签信息的有监督算法，从而缩减了运算时间，提高了图像分类的效率。并且，根据提取的图像的特征对图像进行分类，可以提高分类的准确性。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的图像分类方法的流程图；

图2为本发明实施例的图像分类装置的结构图；

图3为本发明实施例的电子设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在对图像进行分类时，对于高质量的高维数据，图像分类效率较低，为了解决该问题，本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，以提高图像分类的效率。

下面首先对本发明实施例所提供的图像分类方法进行详细介绍。

参见图1，图1为本发明实施例的图像分类方法的流程图，包括以下步骤：

S101，对所获取的各样本图像进行灰度化处理，得到各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像。

本发明实施例中，对各样本图像进行灰度化处理的方法可以是，通过rgb2gray()对各样本图像进行处理，其中，rgb2gray是matlab内部一种处理图像的函数，通过消除图像色调和饱和度信息同时保留亮度实现将RGB图像或彩色图转换为灰度图像，即灰度化处理的功能。得到的灰度图像是一种具有从黑到白256级灰度色域或等级的单色图像。灰度图像只有灰度等级，而没有颜色的变化。用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，因此像素点值介于黑白间的256种灰度中的一种，这种精度刚刚能够避免可见的条带失真，并且非常易于编程。将各灰度图像表示为二维图像矩阵，这样，通过二维图像矩阵来描述各样本图像。

需要说明的是，各样本图像包含：各训练图像和各待分类图像。各训练图像对应的图像类别是已知的，各待分类图像对应的图像类别是未知的，本发明实施例的目的即是通过图像类别已知的各训练图像对图像类别未知的待分类图像进行分类。

S102，分别将各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立灰度矩阵，对灰度矩阵进行归一化处理，得到归一化灰度矩阵。

本发明实施例中，可以对样本图像进行排序，例如，训练图像可以排列在前面，待分类图像可以排列在后面，每读入一张样本图像，把该样本图像的二维图像矩阵转换成一维向量，存入灰度矩阵的一列中，从而建立灰度矩阵。显然，灰度矩阵的列数和样本图像的个数相等。之后，可以对灰度矩阵进行归一化处理，具体的，若灰度矩阵中元素的最大值为z，将灰度矩阵中的每个元素除以z，得到归一化灰度矩阵，使归一化灰度矩阵每个元素的值的范围是0～1。这样，可以降低运算的复杂度。

S103，根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的。

具体的，样本图像中可能部分样本图像包含标签信息，而其他样本图像不包含标签信息，标签约束矩阵是根据各样本图像包含的标签信息确定的，标签约束矩阵的确定方法将在下文进行详细描述。而基于半张量积的NMF算法是一种突破传统矩阵必须满足维数匹配条件的矩阵乘法，它不仅保存了传统矩阵相乘的特性，还打破了传统矩阵相乘的维数限制。例如，对于任意的1000×1000的非负矩阵E，传统的NMF算法中，矩阵E可以被分解为：E^1000×1000≈U^1000×60·V^60×1000；基于半张量积的NMF算法中，矩阵E可以被分解为：E^1000×1000≈U^250×15×V^60×1000。也就是，基于半张量积的NMF算法可以使两个维度不匹配的矩阵相乘，并且可以使分解后的基矩阵变小，处理的数据量变少，从而加快处理速度。

S104，将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。

本发明实施例中，将标签约束矩阵和特征矩阵相乘并转置，可以得到混合特征矩阵，混合特征矩阵的列数和样本图像的个数是相同的，并且，混合特征矩阵的列和样本图像是一一对应的。按照S102中对样本图像进行排序的顺序，可以得到各样本图像对应的特征。

其中，各样本图像对应的特征是各样本图像的“非图像”的表示，根据这些数值或向量形式的特征，可以通过训练过程使计算机具有识别图像的本领。也就是，对各训练图像对应的特征以及各训练图像对应的图像类别进行训练，得到图像分类模型。之后，将各待分类图像对应的特征输入该图像分类模型，即可得到各待分类图像的分类结果。

本发明实施例的图像分类方法，通过对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像，根据各二维图像矩阵建立灰度矩阵，对灰度矩阵进行归一化处理；根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。本发明实施例通过将半张量积和标签约束同时用于非负矩阵分解中，使非负矩阵分解算法从无监督算法转变为可以用到样本图像标签信息的有监督算法，从而缩减了运算时间，提高了图像分类的效率。并且，根据提取的图像的特征对图像进行分类，可以提高分类的准确性。

本发明的一种实现方式中，图1实施例S103中标签约束矩阵的建立方法包括：

若各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

本发明实施例中，t个样本图像中，如果第j个样本图像属于第i类，则b_ji＝1；如果第j个样本图像不属于第i类，则b_ji＝0。显然，对于索引矩阵B_l×r，每一行只有一个元素为1，其余元素均为0。标签约束矩阵中，I_t-l可以用来约束未知标签信息的样本图像。并且，标签约束矩阵被调换行列的顺序，仍不会影响其作用。

本发明的一种实现方式中，图1实施例S103中，根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，包括：

若归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_ij表示U_m×n中第i行第j列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

具体的，上述公式中，由于标签约束矩阵C_t×(r+t-l)的约束，所以q＝t，只有基矩阵U_m×n被扩大，特征矩阵V_(r+t-l)×p大小不变，所以n和p的最小公倍数是p，即p是n的整数倍。n和p可以是预先设置的正整数，例如，n可以取15，p取60等。通过迭代梯度下降的方法，求解上述公式，即可得到特征矩阵V_(r+t-l)×p。

相应于上述方法实施例，本发明实施例提供了一种图像分类装置，参见图2，图2为本发明实施例的图像分类装置的结构图，包括：

图像矩阵建立模块201，用于对所获取的各样本图像进行灰度化处理，得到各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像；

归一化灰度矩阵建立模块202，用于分别将各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立灰度矩阵，对灰度矩阵进行归一化处理，得到归一化灰度矩阵；

特征矩阵计算模块203，用于根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；

图像分类模块204，用于将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。

本发明实施例的图像分类装置，通过对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像，根据各二维图像矩阵建立灰度矩阵，对灰度矩阵进行归一化处理；根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。本发明实施例通过将半张量积和标签约束同时用于非负矩阵分解中，使非负矩阵分解算法从无监督算法转变为可以用到样本图像标签信息的有监督算法，从而缩减了运算时间，提高了图像分类的效率。并且，根据提取的图像的特征对图像进行分类，可以提高分类的准确性。

可选的，本发明实施例的图像分类装置，还包括：

标签约束矩阵建立模块，用于若各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

可选的，本发明实施例的图像分类装置中，特征矩阵计算模块具体用于若归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_ij表示U_m×n中第i行第j列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

可选的，本发明实施例的图像分类装置中，归一化灰度矩阵建立模块，包括：

归一化子模块，用于若灰度矩阵中元素的最大值为z，将灰度矩阵中的每个元素除以z。

需要说明的是，本发明实施例的装置是应用上述图像分类方法的装置，则上述图像分类方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

本发明实施例还提供了一种电子设备，参见图3，图3为本发明实施例的电子设备的结构图，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301、通信接口302、存储器303通过通信总线304完成相互间的通信；

存储器303，用于存放计算机程序；

处理器301，用于执行存储器303上所存放的程序时，实现上述任一图像分类方法的步骤。

需要说明的是，上述电子设备提到的通信总线304可以是PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口302用于上述电子设备与其他设备之间的通信。

存储器303可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器301可以是通用处理器，包括：CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital SignalProcessing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例的电子设备中，处理器通过执行存储器上所存放的程序，对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像，根据各二维图像矩阵建立灰度矩阵，对灰度矩阵进行归一化处理；根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。本发明实施例通过将半张量积和标签约束同时用于非负矩阵分解中，使非负矩阵分解算法从无监督算法转变为可以用到样本图像标签信息的有监督算法，从而缩减了运算时间，提高了图像分类的效率。并且，根据提取的图像的特征对图像进行分类，可以提高分类的准确性。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现上述任一图像分类方法的步骤。

本发明实施例的计算机可读存储介质中存储的指令在计算机上运行时，对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；各样本图像包括：各训练图像和各待分类图像，根据各二维图像矩阵建立灰度矩阵，对灰度矩阵进行归一化处理；根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到归一化灰度矩阵对应的特征矩阵，标签约束矩阵是根据各样本图像包含的标签信息确定的；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到各待分类图像的分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征、以及各训练图像对应的图像类别进行训练得到的。本发明实施例通过将半张量积和标签约束同时用于非负矩阵分解中，使非负矩阵分解算法从无监督算法转变为可以用到样本图像标签信息的有监督算法，从而缩减了运算时间，提高了图像分类的效率。并且，根据提取的图像的特征对图像进行分类，可以提高分类的准确性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：

对所获取的各样本图像进行灰度化处理，得到所述各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；所述各样本图像包括：各训练图像和各待分类图像；

分别将所述各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立所述灰度矩阵，对所述灰度矩阵进行归一化处理，得到归一化灰度矩阵；

根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的；

将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征矩阵，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模型，得到所述各待分类图像的分类结果，所述图像分类模型是对所述混合特征矩阵中所述各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。

2.根据权利要求1所述的图像分类方法，其特征在于，所述标签约束矩阵的建立方法包括：

若所述各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且所述t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据所述l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

3.根据权利要求2所述的图像分类方法，其特征在于，所述根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，包括：

若所述归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_mn表示U_m×n中第m行第n列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

4.根据权利要求1所述的图像分类方法，其特征在于，所述对所述灰度矩阵进行归一化处理，包括：

若所述灰度矩阵中元素的最大值为z，将所述灰度矩阵中的每个元素除以z。

5.一种图像分类装置，其特征在于，所述装置包括：

图像矩阵建立模块，用于对所获取的各样本图像进行灰度化处理，得到所述各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；所述各样本图像包括：各训练图像和各待分类图像；

归一化灰度矩阵建立模块，用于分别将所述各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立所述灰度矩阵，对所述灰度矩阵进行归一化处理，得到归一化灰度矩阵；

特征矩阵计算模块，用于根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的；

图像分类模块，用于将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征矩阵，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模型，得到所述各待分类图像的分类结果，所述图像分类模型是对所述混合特征矩阵中所述各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。

6.根据权利要求5所述的图像分类装置，其特征在于，所述装置还包括：标签约束矩阵建立模块，用于若所述各样本图像为(x₁,x₂,…,x_t)，t个样本图像包含r类图像，且所述t个样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的整数，t为大于1的整数，l为大于0且小于t的整数；

根据所述l个样本图像以及公式：

建立索引矩阵B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根据

建立标签约束矩阵C_t×(r+t-l)，I_t-l表示单位矩阵。

7.根据权利要求6所述的图像分类装置，其特征在于，所述特征矩阵计算模块，具体用于若所述归一化灰度矩阵为A_s×t，标签约束矩阵为C_t×(r+t-l)，根据公式：

计算特征矩阵V_(r+t-l)×p，

其中，

U_m×n表示对A_s×t分解后得到的基矩阵，a_mn表示U_m×n中第m行第n列的元素；

n和p是预先设置的正整数，且p是n的整数倍；

m＝s×n/p，q＝t；

×表示左半张量积；

表示张量积。

8.根据权利要求5所述的图像分类装置，其特征在于，所述归一化灰度矩阵建立模块，包括：

归一化子模块，用于若所述灰度矩阵中元素的最大值为z，将所述灰度矩阵中的每个元素除以z。

9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1～4任一所述的图像分类方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1～4任一所述的图像分类方法的步骤。

Images