CN110472693A - 一种图像处理及分类方法和系统 - Google Patents

一种图像处理及分类方法和系统 Download PDF

Info

Publication number
CN110472693A
CN110472693A CN201910777703.8A CN201910777703A CN110472693A CN 110472693 A CN110472693 A CN 110472693A CN 201910777703 A CN201910777703 A CN 201910777703A CN 110472693 A CN110472693 A CN 110472693A
Authority
CN
China
Prior art keywords
image
matrix
sample
processed
pictures
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910777703.8A
Other languages
English (en)
Other versions
CN110472693B (zh
Inventor
陆荣秀
蔡莹杰
朱建勇
聂飞平
杨辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201910777703.8A priority Critical patent/CN110472693B/zh
Publication of CN110472693A publication Critical patent/CN110472693A/zh
Application granted granted Critical
Publication of CN110472693B publication Critical patent/CN110472693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像处理及分类方法和系统。该图像处理方法包括：切割各样本图像的主要特征，得到多个含有所述主要特征的局部图像，记为子图片；将各子图片的灰度值向量组合在一起构成样本数据矩阵；构建表示图片和图片之间的相似程度权值系数；根据权值系数确定相似矩阵；计算拉普拉斯矩阵；以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵；判断损失函数是否收敛；如果否，更新权值系数，并跳转至确定相似矩阵步骤，如果是，则采用损失函数收敛时对应的最优投影矩阵对待处理图像降维。该图像处理方法能够保留嵌入在数据内部的流形结构，基于此图像处理方法的图像识别方法具有节省计算能力、识别准确率高的特点。

Description

一种图像处理及分类方法和系统
技术领域
本发明涉及图像处理和模式识别技术领域，特别是涉及一种图像处理及分类方法和系统。
背景技术
近年来，高维数据经常出现在科学界和产业界的相关领域，如计算机视觉、模式识别、生物信息以及航空航天等。当我们处理这些数据时，它们的高维属性往往会成为处理和应用这些数据的障碍。因此降维是解决高维数据预处理阶段中分析问题的重要技术。它在作为克服“维数灾难"的相关领域中扮演着重要的角色。
降维的目的是将高维数据嵌入到较低的子空间中的同时能够保留数据的判别信息。在过去的几十年里，人们提出了大量关于降维的方法，其中最具代表性的是线性判别分析(LDA)和主成成分分析(PCA)。前者是一种考虑了标签信息的有监督降维方法，而后者则是一种无监督的降维算法，但是，这些经典方法依然有其不足和缺陷。
发明内容
本发明的目的是提供一种图像处理及分类方法和系统，其中，图像处理方法能够保留嵌入在数据内部的流形结构，基于此图像处理方法的图像识别方法具有识别准确率高的特点。
为实现上述目的，本发明提供了如下方案：
一种图像处理方法，包括：
获取样本图像，所述样本图像有多个；
对各所述样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；
获取各所述子图片的灰度值向量，所述灰度值向量为子图片的灰度值组成向量；
将各所述子图片的灰度值向量组合在一起构成样本数据矩阵；
构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；
确定相似矩阵S，其中，相似矩阵由pij构成；
根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，所述投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
判断所述损失函数是否收敛；
如果否，根据更新权值系数，并跳转至确定相似矩阵S步骤，其中，W为最优投影矩阵，St为所述样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
如果是，则获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
采用所述图像处理矩阵对待处理图像进行降维处理。
可选的，所述采用所述图像处理矩阵对待处理图像进行降维处理，具体包括：
对待处理图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为待处理子图片；
获取各待处理子图片的灰度值向量；
将各待处理子图片的灰度值向量进行组合，得到待处理数据矩阵；
采用图像处理矩阵对待处理数据矩阵进行降维。
可选的，在所述获取图像样本数据之后，在所述对各所述样本图像的主要特征进行切割之前，还包括：
对所述样本图像进行灰度处理；
对所述样本图像的灰度值进行归一化以及PCA预处理。
可选的，所述以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，具体包括：
以损失函数Tr((WTStW)-1WTXLXTW)最小为目标，确定最优投影矩阵，其中，Tr为(WTStW)-1WTXLXTW的迹，WTW＝I，X为所述样本数据矩阵。
本发明还提供了一种图像分类方法，包括：
获取用于训练分类器的样本图像，所述样本图像具有多类，所述样本图像的标签用于标记所述样本图像的类别；
采用本发明提供的图像处理方法对所述样本图像进行降维处理；
采用降维处理后的样本图像对所述分类器进行训练；
采用训练好的分类器对待分类图像进行分类。
可选的，多类所述样本图像为多个不同人的人脸图像，一个人的人脸图像对应一个类。
本发明还提供了一种图像处理系统，包括：
图像样本数据获取模块，用于获取样本图像，所述样本图像有多个；
图像切割模块，用于对各所述样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；
灰度值向量获取模块，用于获取各所述子图片的灰度值向量，所述灰度值向量为子图片的灰度值组成向量；
样本数据矩阵确定模块，用于将各所述子图片的灰度值向量组合在一起构成样本数据矩阵；
权值系数构建模块，用于构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；
相似矩阵确定模块，用于确定相似矩阵S，其中，相似矩阵由pij构成；
拉普拉斯矩阵确定模块，用于根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
最优投影矩阵确定模块，用于以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，所述投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
判断模块，用于判断所述损失函数是否收敛；
权值系数更新模块，用于当所述损失函数收敛时，根据更新权值系数，并跳转至相似矩阵确定模块，其中，W为最优投影矩阵，St为所述样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
图像处理矩阵确定模块，用于当所述损失函数不收敛时，获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
图像处理模块，用于采用所述图像处理矩阵对待处理图像进行降维处理。
可选的，所述图像处理模块，具体包括：
图像切割单元，用于对待处理图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为待处理子图片；
灰度值向量获取单元，用于获取各待处理子图片的灰度值向量；
待处理数据矩阵确定单元，用于将各待处理子图片的灰度值向量进行组合，得到待处理数据矩阵；
图像处理单元，用于采用图像处理矩阵对待处理数据矩阵进行降维。
可选的，所述系统还包括：
灰度处理模块，用于对所述样本图像进行灰度处理；
预处理模块，用于对所述样本图像的灰度值进行归一化以及PCA预处理。
本发明还提供了一种图像分类系统，包括：
样本图像获取模块，用于获取用于训练分类器的样本图像，所述样本图像具有多类，所述样本图像的标签用于标记所述样本图像的类别；
图像处理模块，用于采用提供的图像处理系统对所述样本图像进行降维处理；
分类器训练模块，用于采用降维处理后的样本图像对所述分类器进行训练；
分类模块，用于采用训练好的分类器对待分类图像进行分类。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的图像处理方法构建了代表图片与图片之间相似程度的权值系数，并利用权值系数确定了相似矩阵，根据相似矩阵计算得到了拉普拉斯矩阵，然后，以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定了最优投影矩阵，最后，利用损失函数收敛时对应的最优投影矩阵对待处理图像进行降维处理。可见，本发明提供的图像处理方法考虑了样本图片与图片之间的邻近关系，保留了更多的数据判别信息，使得在对数据进行降维的过程中能够保留嵌入在数据内部的流形结构，具有更好的降维效果。而且，提高了基于此图像处理方法的图像识别方法的准确率。
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为本发明实施例图像处理方法流程图；
图2为本发明实施例图像分类方法流程图；
图3为本发明实施例某一人的人脸图像；
图4为本发明实施例另一人的人脸图像；
图5为本发明图3所示人脸的识别效果对比图；
图6为本发明图4所示人脸的识别效果对比图；
图7为本发明实施例图像处理系统结构示意图；
图8为本发明实施例图像分类系统结构示意图。
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。
本发明的目的是提供一种图像处理及分类方法和系统，其中，图像处理方法能够保留嵌入在数据内部的流形结构，基于此图像处理方法的图像识别方法具有识别准确率高的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
现有技术中的降维方法忽略了嵌入在数据内部的几何流形结构，在降维过程中没能更好的保留数据之间的邻近关系。
本发明的第一方面提供了一种图像处理方法，该方法基于自权重线性判别分析，针对图像在进行降维的过程中存在嵌入在数据内部的几何流形结构问题，通过采取自权重的策略自适应学习样本间的邻近关系，使得模型在对数据进行降维的过程中能够保留嵌入在数据内部的流形结构，提高基于该图像处理方法的图像识别的准确率。
本发明通过引入2-1范数实现成对的样本点的权值自动的随着它们之间空间距离的变化而变化，由此得到样本点的相似矩阵，随后采用迭代求解的策略同时更新求解相似矩阵和转换矩阵，直至收敛，从而不仅使样本点之间的邻近关系在最优的子空间被评估同时还能使得模型能够自动发现嵌入在数据内部的几何流形结构，提高数据降维的效果。具体步骤如图1所示：
步骤101：获取样本图像，该样本图像有多个；对样本图像进行灰度处理；
步骤102：对各样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；以人脸图像为例，主要特征可以是眼睛、鼻子、嘴等部位；切割的大小可以为32×32的像素点；
步骤103：获取各子图片的灰度值向量，灰度值向量为子图片的灰度值组成向量；
步骤104：将各子图片的灰度值向量组合在一起构成样本数据矩阵，该样本数据矩阵可以表示为其中x1表示的是第一张图片数据所构成的向量，xn表示的是第n张图片数据所构成的向量；
步骤105：构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；初始化权值系数为其中n表示样本的总数；
步骤106：确定相似矩阵S，其中，相似矩阵由pij构成，该相似矩阵的形式可以为
步骤107：根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
步骤108：以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
步骤109：判断损失函数是否收敛；
步骤110：如果损失函数不收敛，根据更新权值系数，并跳转至确定相似矩阵S步骤，其中，W为最优投影矩阵，St为样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
步骤111：如果损失函数收敛，则获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
步骤112：采用图像处理矩阵对待处理图像进行降维处理。
其中，在实施例中，步骤112具体包括：
对待处理图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为待处理子图片；
获取各待处理子图片的灰度值向量；
将各待处理子图片的灰度值向量进行组合，得到待处理数据矩阵；
采用图像处理矩阵对待处理数据矩阵进行降维。
在实施例中，在步骤101和步骤102之间，还包括：
对样本图像进行灰度处理；
对样本图像的灰度值进行归一化以及PCA(主成成分分析)预处理。
在实施例中，步骤108具体包括：
由样本数据矩阵计算总的散度矩阵St，总的散度矩阵St表示的是图片在高维空间中的分散程度。St的计算公式为
St＝∑(xi-μ)(xj-μ)T
将目标函数转换为下列的迹比问题，然后求解最优的投影矩阵W
上述问题可以通过广义特征问题求解，即
XLXTwm＝λStwm
投影矩阵W由St -1XLXT中m个最小的特征值所对应的特征向量构成。
本发明的第二方面提供了一种图像分类方法，如图2所示，该图像分类方法包括：
步骤201：获取用于训练分类器的样本图像，样本图像具有多类，样本图像的标签用于标记样本图像的类别；
步骤202：采用本发明第一方面提供的图像处理方法对样本图像进行降维处理；
步骤203：采用降维处理后的样本图像对分类器进行训练；
步骤204：采用训练好的分类器对待分类图像进行分类。
在实施例中，多类样本图像可以为多个不同人的人脸图像，一个人的人脸图像对应一个类，该分类器用于进行人脸识别。当然，该类别不限于人脸，也可以用于其他需要分类的属性类别。同一类中的第i个图片样本和第j个图片样本的权值系数计算方式为不同类中的图片样本之间的权值系数为0。
本发明还对该图像分类方法的准确度进行了验证，图3为ARface的人脸图像，图4为Yaleface的人脸图像，每次验证实验都随机分割数据集，重复进行20次实验，最后对平均的识别正确率和正确率的标准差进行统计。并与其他主流线性判别分析的算法(如LDA(Linear Discriminant Analysis)、LADA(Locality Adaptive Discriminant Analysis)、LFDA(Local Fisher Discriminant Analysis for Supervised Dimensionality)、ADA(Reduction Dimension Reduction for Non-Gaussian Data by AdaptiveDiscriminative Analysis)、ANMM(Aadptive Neighborhood MinMax Projections)、LDE(Local discriminant embedding and its variants)、SPDA-TR(Submanifold-Preserving Discriminant Analysis With an Auto-Optimized Graph))进行对比，实验结果如图5和图6所示，可以看出，本发明提供的图像识别方法的正确率整体优于其他的算法。
本发明的第三方面提供了一种图像处理系统，如图7所示，该图像处理系统包括：
图像样本数据获取模块701，用于获取样本图像，样本图像有多个；
图像切割模块702，用于对各样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；
灰度值向量获取模块703，用于获取各子图片的灰度值向量，灰度值向量为子图片的灰度值组成向量；
样本数据矩阵确定模块704，用于将各子图片的灰度值向量组合在一起构成样本数据矩阵；
权值系数构建模块705，用于构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；
相似矩阵确定模块706，用于确定相似矩阵S，其中，相似矩阵由pij构成；
拉普拉斯矩阵确定模块707，用于根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
最优投影矩阵确定模块708，用于以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
判断模块709，用于判断损失函数是否收敛；
权值系数更新模块710，用于当损失函数收敛时，根据更新权值系数，并跳转至相似矩阵确定模块，其中，W为最优投影矩阵，St为样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
图像处理矩阵确定模块711，用于当损失函数不收敛时，获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
图像处理模块712，用于采用图像处理矩阵对待处理图像进行降维处理。
在实施例中，图像处理模块712具体包括：
图像切割单元，用于对待处理图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为待处理子图片；
灰度值向量获取单元，用于获取各待处理子图片的灰度值向量；
待处理数据矩阵确定单元，用于将各待处理子图片的灰度值向量进行组合，得到待处理数据矩阵；
图像处理单元，用于采用图像处理矩阵对待处理数据矩阵进行降维。
在一个实施例中，该系统还包括：
灰度处理模块，用于对样本图像进行灰度处理；
预处理模块，用于对样本图像的灰度值进行归一化以及PCA预处理。
本发明的第四个方面提供了一种图像分类系统，如图8所示，该图像分类系统包括：
样本图像获取模块801，用于获取用于训练分类器的样本图像，样本图像具有多类，样本图像的标签用于标记样本图像的类别；
图像处理模块802，用于采用本发明第三方面提供的图像处理系统对样本图像进行降维处理；
分类器训练模块803，用于采用降维处理后的样本图像对分类器进行训练；
分类模块804，用于采用训练好的分类器对待分类图像进行分类。
本发明提供的图像处理方法构建了代表图片与图片之间相似程度的权值系数，并利用权值系数确定了相似矩阵，根据相似矩阵计算得到了拉普拉斯矩阵，然后，以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定了最优投影矩阵，最后，利用损失函数收敛时对应的最优投影矩阵对待处理图像进行降维处理。可见，本发明提供的图像处理方法考虑了样本图片与图片之间的邻近关系，保留了更多的数据判别信息，使得在对数据进行降维的过程中能够保留嵌入在数据内部的流形结构，具有更好的降维效果。而且，提高了基于此图像处理方法的图像识别方法的准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取样本图像，所述样本图像有多个；
对各所述样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；
获取各所述子图片的灰度值向量，所述灰度值向量为子图片的灰度值组成向量；
将各所述子图片的灰度值向量组合在一起构成样本数据矩阵；
构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；
确定相似矩阵S，其中，相似矩阵由pij构成；
根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，所述投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
判断所述损失函数是否收敛；
如果否，根据更新权值系数，并跳转至确定相似矩阵S步骤，其中，W为最优投影矩阵，St为所述样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
如果是，则获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
采用所述图像处理矩阵对待处理图像进行降维处理。
2.根据权利要求1所述的图像处理方法，其特征在于，所述采用所述图像处理矩阵对待处理图像进行降维处理，具体包括：
对待处理图像的主要特征进行切割，得到多个待处理子图片；
获取各待处理子图片的灰度值向量；
将各待处理子图片的灰度值向量进行组合，得到多个含有所述主要特征的局部图像，记为待处理数据矩阵；
采用图像处理矩阵对待处理数据矩阵进行降维。
3.根据权利要求1所述的图像处理方法，其特征在于，在所述获取图像样本数据之后，在所述对各所述样本图像的主要特征进行切割之前，还包括：
对所述样本图像进行灰度处理；
对所述样本图像的灰度值进行归一化以及PCA预处理。
4.根据权利要求1所述的图像处理方法，其特征在于，所述以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，具体包括：
以损失函数Tr((WTStW)-1WTXLXTW)最小为目标，确定最优投影矩阵，其中，Tr为(WTStW)- 1WTXLXTW的迹，WTW＝I，X为所述样本数据矩阵。
5.一种图像分类方法，其特征在于，包括：
获取用于训练分类器的样本图像，所述样本图像具有多类，所述样本图像的标签用于标记所述样本图像的类别；
采用权利要求1所述的图像处理方法对所述样本图像进行降维处理；
采用降维处理后的样本图像对所述分类器进行训练；
采用训练好的分类器对待分类图像进行分类。
6.根据权利要求5所述的图像分类方法，其特征在于，多类所述样本图像为多个不同人的人脸图像，一个人的人脸图像对应一个类。
7.一种图像处理系统，其特征在于，包括：
图像样本数据获取模块，用于获取样本图像，所述样本图像有多个；
图像切割模块，用于对各所述样本图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为子图片；
灰度值向量获取模块，用于获取各所述子图片的灰度值向量，所述灰度值向量为子图片的灰度值组成向量；
样本数据矩阵确定模块，用于将各所述子图片的灰度值向量组合在一起构成样本数据矩阵；
权值系数构建模块，用于构建权值系数pij，其中，pij表示第i个图片样本和第j个图片样本之间的相似程度；
相似矩阵确定模块，用于确定相似矩阵S，其中，相似矩阵由pij构成；
拉普拉斯矩阵确定模块，用于根据L＝D-S计算拉普拉斯矩阵L，其中，D为对角矩阵，对角矩阵的元素为相似矩阵S每一列的和；
最优投影矩阵确定模块，用于以损失函数最小为目标，根据拉普拉斯矩阵以及样本数据矩阵确定最优投影矩阵，所述投影矩阵为将高维样本数据投影到低维样本数据的转换矩阵；
判断模块，用于判断所述损失函数是否收敛；
权值系数更新模块，用于当所述损失函数收敛时，根据更新权值系数，并跳转至相似矩阵确定模块，其中，W为最优投影矩阵，St为所述样本数据矩阵的散度矩阵，xi为第i个子图片的灰度值向量，xj为第j个子图片的灰度值向量；
图像处理矩阵确定模块，用于当所述损失函数不收敛时，获取损失函数收敛时对应的最优投影矩阵，记为图像处理矩阵，用于对待处理图像进行降维处理；
图像处理模块，用于采用所述图像处理矩阵对待处理图像进行降维处理。
8.根据权利要求7所述的图像处理系统，其特征在于，所述图像处理模块，具体包括：
图像切割单元，用于对待处理图像的主要特征进行切割，得到多个含有所述主要特征的局部图像，记为待处理子图片；
灰度值向量获取单元，用于获取各待处理子图片的灰度值向量；
待处理数据矩阵确定单元，用于将各待处理子图片的灰度值向量进行组合，得到待处理数据矩阵；
图像处理单元，用于采用图像处理矩阵对待处理数据矩阵进行降维。
9.根据权利要求7所述的图像处理系统，其特征在于，所述系统还包括：
灰度处理模块，用于对所述样本图像进行灰度处理；
预处理模块，用于对所述样本图像的灰度值进行归一化以及PCA预处理。
10.一种图像分类系统，其特征在于，包括：
样本图像获取模块，用于获取用于训练分类器的样本图像，所述样本图像具有多类，所述样本图像的标签用于标记所述样本图像的类别；
图像处理模块，用于采用权利要求7所述的图像处理系统对所述样本图像进行降维处理；
分类器训练模块，用于采用降维处理后的样本图像对所述分类器进行训练；
分类模块，用于采用训练好的分类器对待分类图像进行分类。
CN201910777703.8A 2019-08-22 2019-08-22 一种图像处理及分类方法和系统 Active CN110472693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910777703.8A CN110472693B (zh) 2019-08-22 2019-08-22 一种图像处理及分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910777703.8A CN110472693B (zh) 2019-08-22 2019-08-22 一种图像处理及分类方法和系统

Publications (2)

Publication Number Publication Date
CN110472693A true CN110472693A (zh) 2019-11-19
CN110472693B CN110472693B (zh) 2021-11-19

Family

ID=68513336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910777703.8A Active CN110472693B (zh) 2019-08-22 2019-08-22 一种图像处理及分类方法和系统

Country Status (1)

Country Link
CN (1) CN110472693B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991458A (zh) * 2019-11-25 2020-04-10 创新奇智(北京)科技有限公司 基于图像特征的人工智能识别结果抽样系统及抽样方法
CN111476136A (zh) * 2020-03-31 2020-07-31 珠海格力电器股份有限公司 家具类型确定方法、装置、电子设备及可读存储介质
CN112257672A (zh) * 2020-11-17 2021-01-22 中国科学院深圳先进技术研究院 一种人脸识别方法、系统、终端以及存储介质
CN117556273A (zh) * 2024-01-05 2024-02-13 支付宝(杭州)信息技术有限公司 一种通过多图形处理器计算对比损失的方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441716A (zh) * 2008-11-27 2009-05-27 上海交通大学 面向鉴别的整体和局部特征融合识别系统
US8218880B2 (en) * 2008-05-29 2012-07-10 Microsoft Corporation Linear laplacian discrimination for feature extraction
CN103544507A (zh) * 2013-10-15 2014-01-29 中国矿业大学 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法
CN104881684A (zh) * 2015-05-27 2015-09-02 天津大学 一种立体图像质量客观评价方法
CN107122725A (zh) * 2017-04-18 2017-09-01 深圳大学 一种基于联合稀疏判别分析的人脸识别方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8218880B2 (en) * 2008-05-29 2012-07-10 Microsoft Corporation Linear laplacian discrimination for feature extraction
CN101441716A (zh) * 2008-11-27 2009-05-27 上海交通大学 面向鉴别的整体和局部特征融合识别系统
CN103544507A (zh) * 2013-10-15 2014-01-29 中国矿业大学 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法
CN104881684A (zh) * 2015-05-27 2015-09-02 天津大学 一种立体图像质量客观评价方法
CN107122725A (zh) * 2017-04-18 2017-09-01 深圳大学 一种基于联合稀疏判别分析的人脸识别方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RONGXIU LU ET.AL: "Dimension Reduction of Multimodal Data by Auto-weighted Local Discriminant Analysis", 《NEUROCOMPUTING》 *
曹林林 等: "子模式局部保持映射人脸识别", 《计算机应用研究》 *
陆荣秀 等: "基于自权值线性判别分析算法的图像处理研究", 《华东交通大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991458A (zh) * 2019-11-25 2020-04-10 创新奇智(北京)科技有限公司 基于图像特征的人工智能识别结果抽样系统及抽样方法
CN111476136A (zh) * 2020-03-31 2020-07-31 珠海格力电器股份有限公司 家具类型确定方法、装置、电子设备及可读存储介质
CN111476136B (zh) * 2020-03-31 2024-01-16 珠海格力电器股份有限公司 家具类型确定方法、装置、电子设备及可读存储介质
CN112257672A (zh) * 2020-11-17 2021-01-22 中国科学院深圳先进技术研究院 一种人脸识别方法、系统、终端以及存储介质
CN117556273A (zh) * 2024-01-05 2024-02-13 支付宝(杭州)信息技术有限公司 一种通过多图形处理器计算对比损失的方法和装置
CN117556273B (zh) * 2024-01-05 2024-04-05 支付宝(杭州)信息技术有限公司 一种通过多图形处理器计算对比损失的方法和装置

Also Published As

Publication number Publication date
CN110472693B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
US10929649B2 (en) Multi-pose face feature point detection method based on cascade regression
CN110472693A (zh) 一种图像处理及分类方法和系统
KR102400017B1 (ko) 객체를 식별하는 방법 및 디바이스
CN108647583B (zh) 一种基于多目标学习的人脸识别算法训练方法
CN103544486B (zh) 基于自适应标记分布的人类年龄估计方法
CN103218609B (zh) 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置
CN104463191A (zh) 一种基于注意机制的机器人视觉处理方法
CN106295591A (zh) 基于人脸图像的性别识别方法及装置
WO2015192263A1 (en) A method and a system for face verification
CN106169073A (zh) 一种表情识别方法及系统
CN110929802A (zh) 基于信息熵的细分类识别模型训练、图像识别方法及装置
CN103034847A (zh) 一种基于隐马尔可夫模型的人脸识别方法
CN104966052A (zh) 基于属性特征表示的群体行为识别方法
CN105426882A (zh) 一种人脸图像中快速定位人眼的方法
Zhai et al. Face verification across aging based on deep convolutional networks and local binary patterns
CN108280481A (zh) 一种基于残差网络的联合目标分类和三维姿态估计方法
CN113920575A (zh) 一种人脸表情识别方法、装置及存储介质
CN114202792A (zh) 一种基于端到端卷积神经网络的人脸动态表情识别方法
CN106709442A (zh) 一种人脸识别方法
Kimura et al. Facial point detection based on a convolutional neural network with optimal mini-batch procedure
Padala et al. Effect of input noise dimension in GANs
CN105718858A (zh) 一种基于正负广义最大池化的行人识别方法
CN111401112B (zh) 人脸识别方法和装置
CN116958615A (zh) 图片识别方法、装置、设备和介质
Lu et al. Video analysis using spatiotemporal descriptor and kernel extreme learning machine for lip reading

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant