CN111553417B - 基于判别正则化局部保留投影的图像数据降维方法及系统 - Google Patents

Abstract

本发明公开了一种基于判别正则化局部保留投影的图像数据降维方法及系统。该方法包括：获取样本图像；将样本图像切割为样本向量，对各样本向量进行L2范数归一化处理，得到处理后的样本向量x_i；确定第一相似性矩阵S_ij；根据

确定第二相似性矩阵S'_ij，其中，W为投影矩阵，B_ij为弹性矩阵；根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ；提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；跳转至确定第二相似矩阵确定步骤，直至满足迭代条件，将最后得到的投影矩阵记为目标投影矩阵；采用目标投影矩阵对待降维图像进行降维处理。本发明提供的图像数据降维方法及系统同时考虑了数据的相似性和差异性。

Description

基于判别正则化局部保留投影的图像数据降维方法及系统

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于判别正则化局部保留投影的图像数据降维方法及系统。

背景技术

图像的数据降维是将高维数据投影到低维空间，同时尽可能多地保持原始数据的内在信息，从而使得高维数据能够表示在低维空间中。通过这种操作可以减少原有数据的冗余性，提高对数据处理的效率和针对性。线性数据降维最典型的降维方法包括：主成分析(Principal component analysis，PCA)和线性判别分析(Linear discriminantanalysis，LDA)。这两种方法理论成熟，计算简单、计算速度快，但是这些方法都属于线性维数约简方法，无法提取数据的非线性结构特征。为了解决这个问题，最直观的思路是基于核对线性模型进行非线性扩展，但是基于核的方法计算负担大，而且无法提取数据的局部结构特征。

基于流形学习的非线性方法为图像数据降维提供了一条解决途径，流形学习是以非监督方式操作的一大类非线性降维方法。但传统的基于流形学习的非线性维数约简方法都存在out-of-sample问题，目前有两类典型的学习方法能解决这个问题，一类是基于相似性保留的线性化流形学习方法，典型算法如：邻域保持嵌入(Neighborhoods preservingembedding，NPE)和局部保留投影(Locality preserving projections，LPP)此类算法通过线性嵌入来保留数据的流形结构特征：另一类是基于回归的流形结构保留算法，如SEANC、RCFE和SEC，这类算法通过线性回归的方式来近似数据的非线性流形结构，从而保留数据的流形结构。

在流形学习中，首先需要采用图来描述数据的本质结构，图的优劣决定着流形学习方法能否有效提取数据的本质结构特征。

CGE利用类柯西分布强调对流形的局部性和拓扑关系保留能力。但是CGE为了保留数据的拓扑关系，过度强调局部结构特征，这容易造成流形结构，特别是分布稀疏的区域，在嵌入空间中断裂成多个局部领域。这种嵌入模型对于多流形数据容易造成不同流形在嵌入空间中的交叠，不利于提取不同流形之间的判别信息。

L₁-norm和L_2,p-norm的LPP，这些方法都可以等价看作为L₂-norm意义下，根据样本在嵌入空间中分布特征的不同，对相似度重新加权的过程。但是这些方法只强调相似性。对局部稠密分布的流形结构，容易过多引入非局部信息，从而破坏流形数据的局部拓扑关系。

LSPP，DSPGE利用了稀疏描述对样本的自然判别信息，和对噪声的鲁棒性，这两个特征，结合LPP建立了鲁棒LPP嵌入模型。这两种方法在嵌入过程中，除了考虑样本点之间的局部性，而且考虑了样本之间的稀疏重建关系，有效提高了对数据局部本质结构特征的提取能力。但是稀疏表示的尺度无关系，使得这些方法对不同区域分布特征的差异性考虑不足。

发明内容

本发明的目的是提供一种基于判别正则化局部保留投影的图像数据降维方法及系统，同时考虑了数据的相似性和差异性。

为实现上述目的，本发明提供了如下方案：

一种基于判别正则化局部保留投影的图像数据降维方法，包括：

获取样本图像，所述样本图像的数量为多个；

将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

跳转至“根据

确定第二相似矩阵S′_ij”步骤，直至满足迭代条件，将最后得到的投影矩阵记为目标投影矩阵；

采用所述目标投影矩阵对待降维图像进行降维处理。

可选的，所述采用所述目标投影矩阵对待降维图像进行降维处理，具体包括：

获取待降维图像；

将所述待降维图像切割为样本向量x；

根据Y＝W^'Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

可选的，所述迭代条件为迭代次数达到设定次数。

可选的，所述迭代条件为相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值，其中，目标值

其中，L_P＝X(L+λL')X^T。

可选的，所述方法还包括：

获取测试样本图像；

将所述测试样本图像切割为测试样本向量；

采用所述目标投影矩阵对所述测试样本向量进行降维；

采用分类器对降维后的测试样本向量进行识别；

用于根据识别结果评估所述投影矩阵的优劣。

本发明还提供了一种基于判别正则化局部保留投影的图像数据降维系统，包括：

图像获取模块，用于获取样本图像，所述样本图像的数量为多个；

图像切割模块，用于将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

第一相似性矩阵确定模块，用于根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

初始投影矩阵确定模块，用于确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

第二相似性矩阵确定模块，用于根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

特征求解模块，用于根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

投影矩阵确定模块，用于提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

降维处理模块，用于采用所述目标投影矩阵对待降维图像进行降维处理。

可选的，所述图像获取模块，还用于获取待降维图像；图像切割模块，还用于将所述待降维图像切割为样本向量x；降维处理模块，还用于根据Y＝W^'Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

可选的，所述迭代条件为迭代次数达到设定次数。

可选的，所述迭代条件为相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值，其中，目标值

其中，L_P＝X(L+λL')X^T。

可选的，所述图像获取模块还用于获取测试样本图像；图像切割模块还用于将所述测试样本图像切割为测试样本向量；所述降维处理模块还用于采用所述目标投影矩阵对所述测试样本向量进行降维；

所述系统还包括：

分类识别模块，用于采用分类器对降维后的测试样本向量进行识别；

准确性确定模块，用于根据识别结果评估所述投影矩阵的优劣。

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：本发明提供的判别正则化局部保留投影的图像数据降维方法及系统，建立了一个基于L_2,1范数的局部判别投影来学习数据的局部拓扑结构，并将局部判别投影作为LPP的正则项与LPP组成弹性距离，使局部领域的大小能够根据分布特征自适应调整，对于分布稠密的区域，能够防止过多非局部信息的引入，避免造成流形结构在嵌入过程中的扭曲和对局部拓扑关系的破坏，同时能够很好地保持局部样本分布的多样性和差异性，更好地描述数据的局部本质结构特征。

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1提供的基于判别正则化局部保留投影的图像数据降维方法流程示意图；

图2为本发明实施例1中Coil20数据集识别准确率与投影维度变化曲线图；

图3为本发明实施例1中Yale数据集识别准确率与投影维度变化曲线图；

图4为本发明实施例1中ORL数据集识别准确率与投影维度变化曲线图；

图5为本发明实施例2提供的基于判别正则化局部保留投影的图像数据降维系统结构图。

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。

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。

图1为本发明实施例1提供的基于判别正则化局部保留投影的图像数据降维方法流程示意图，如图1所示，本实施例提供的方法包括以下步骤：

步骤101：获取样本图像；

步骤102：将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

步骤103：根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

步骤104：确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

步骤105：根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

步骤106：根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

步骤107：提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

跳转至步骤105，直至满足迭代条件，将最后得到的投影矩阵记为目标投影矩阵；

步骤108：采用所述目标投影矩阵对待降维图像进行降维处理。

以去噪后的人脸图像为例，样本图像可以为多张32×32像素大小的人脸图像，分别将各样本图像切割为向量x_i∈R^1×1024，即将一个样本图像的所有像素点排列为一行，构成一个样本向量，样本图像与样本向量一一对应。从这些样本向量中选取一部分用于训练，构成训练集，对训练集中的样本向量进行L2范数归一化处理，即

之后将投影矩阵W初始化为任意正交的d×v矩阵，v为投影后的维度，d为样本向量的维度1024。然后根据

计算第一相似性矩阵S。构造拉普拉斯矩阵L，L＝D-S,其中D是一个对角矩阵，其对角元素

拉普拉斯矩阵是对称且具有半正定的性质。根据公式D_P＝XDX^T，计算D_P。根据公式B_ij＝sign(S-s)计算弹性矩阵B_ij，其中s为矩阵S大于0的数的平均值。根据公式

计算第二相似性矩阵S'，其中C_ij＝||W^Tx_i-W^Tx_j||₂，S′_ij是一个同时能描述相似性和多样性的矩阵。根据公式L'＝D'-S'，计算L'，其中

构造拉普拉斯矩阵L_λ，L_λ＝L+λL'，0＜λ≤1。根据公式L_P＝XL_λX^T，计算L_P。由于：L_PV＝λD_PV，通过求解广义特征值问题来求解出V及特征值λ。对特征值λ进行升序，选取前v个特征值，选出矩阵V中与前v个特征值对应的v个特征向量[w₁,w₂,...,w_v]构成投影矩阵W，此为第一次迭代得到的投影矩阵。在本实施例中，每次迭代得到投影矩阵后，均根据

计算目标值J，直至相邻两次计算得到的目标值J之差小于设定阈值(比如ΔJ≤10^-5)后，停止迭代，在另一实施例中，可以在迭代次数达到设定次数时，停止迭代。然后将最后一次迭代得到的投影矩阵记为目标投影矩阵，最后采用目标投影矩阵对待降维的人脸图像进行降维处理。

作为一种实施方式，步骤108具体包括：

获取待降维图像；

将所述待降维图像切割为样本向量x；

根据Y＝W^'Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

作为一种实施方式，本实施例提供的方法还包括：

获取测试样本图像；

将所述测试样本图像切割为测试样本向量；

采用所述目标投影矩阵对所述测试样本向量进行降维；

采用分类器对降维后的测试样本向量进行识别；

根据识别结果评估所述投影矩阵的优劣。

在该实施方式中，通过分类器对降维后的人脸图像进行识别，确定识别结果是否准确，该识别结果的准确率能够表征降维方法的效果。

下面具体以相应的实验数据对本发明所述方案的降维效果进行比较分析：

为了验证本发明的性能，实验结果将与ISOP、NPE、LPP、OLPP和LSPP进对比验证。并且在实验过程中，首先用PCA对数据集进行处理，去除噪声和冗余特征。另外LPP、OLPP与DRLPP三个算法的相似度矩阵S是一致的，并对S矩阵进行归一化处理。在聚类验证效果阶段，使用欧式距离来度量样本之间的相似性，并且使用最邻近分类器(1-NN)进行分类计算其准确率。

(1)Coil20数据集降维算法实验对比与分析：

本实验是基于Coil20数据集，在实验中，将所有原图片处理为32×32像素大小的图片，并分别将其切割为向量x_i∈R^1×1024，组成一个X∈R^1024×1440的数据集。对于这些数据集，分别随机抽取10％，20％，30％，40％的数据来用作训练集，其余数据作为测试集。为了避免偶然性的影响，每种划分方式重复进行10次实验，实验结果如表1和图2所示。

表1各算法在Coil20数据集的最优平均识别准确率对比

图2展示了在20％的Coil20数据用作训练集时识别准确率与投影维度变化曲线图。通过分析曲线图和表格数据可知，所有方法的识别准确率均随着投影维度的增加而增高，但本发明提供的方法(DRLPP)相比其余算法最早达到识别准确率的最优值，同时本发明提供的方法(DRLPP)在不同投影维度的情况下，识别准确率都显著高于其他算法。这是因为本发明提供的方法(DRLPP)考虑了样本点的相似性及多样性，使得算法更有效地挖掘了数据的判别特征，以及数据的本质结构，从而使得算法性能得以提高。

(2)Yale数据集降维算法实验对比与分析：

本实验是基于Yale数据集，对于该数据集，先将所有原图片处理为32×32像素大小的图片，每张图片裁剪为向量组成实验数据集。分别从每一类中随机抽取i(i＝3,4,5,6)张图片来用作训练集，剩余的图片作为测试集。每种划分方式重复进行10次实验，实验结果如表2和图3所示。

表2各算法在Yale数据集的最优平均识别率对比

图3展示了用4张图片作训练集时识别准确率与投影维度变化曲线图。通过曲线图以及表格可见，在投影维度极少的情况下，本发明提供的方法(DRLPP)的最优平均识别率较明显优于其余算法。此外，随着训练样本的增加，训练集包含更多的信息，所有算法的识别率都有较明显的提高，但本发明提供的方法(DRLPP)识别率提高较快，能够更好地提取数据的判别信息和表征数据的本质结构。

(3)ORL数据集降维算法实验对比与分析：

本实验是基于ORL数据集，在实验中，类似Coil20数据集的预处理后，分别从每一类中随机抽取i(i＝3,4,5,6)张图片来用作训练集，剩余的图片作为测试集。每种划分方式重复进行10次实验，实验结果如表3和图4所示。

表3各算法在ORL数据集的最优平均识别准确率对比

图4展示了用5张图片作训练集时识别准确率与投影维度变化曲线图。通过曲线图以及表格可见，本发明提供的方法(DRLPP)的平均识别率在各个维数变化下均高于其他算法，在投影维数为1至40维时，本发明提供的方法(DRLPP)的平均识别率提高显著，并最早达到最优值，同时，当维数为20至40时，本发明提供的方法(DRLPP)识别准确率优势明显，其次，随着投影维度的不断的增加，LPP和LSPP算法出现识别率明显下滑以及NPE、ISOP和OLPP算法识别率不再增加的现象，而本发明提供的方法(DRLPP)在此情况下，平均识别率仍能很好地保持在最优值甚至仍有一定提升，说明本发明提供的方法(DRLPP)不仅能够有效提取数据的判别信息和数据的本质结构，同时也具有一定的鲁棒性。

图5为本发明实施例2提供的基于判别正则化局部保留投影的图像数据降维系统结构图，如图5所示，本实施例提供的系统，包括：

图像获取模块501，用于获取样本图像，所述样本图像的数量为多个；

图像切割模块502，用于将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

第一相似性矩阵确定模块503，用于根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

初始投影矩阵确定模块504，用于确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

第二相似性矩阵确定模块505，用于根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

特征求解模块506，用于根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

投影矩阵确定模块507，用于提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

降维处理模块508，用于采用所述目标投影矩阵对待降维图像进行降维处理。

作为一种实施方式，所述图像获取模块501还用于获取待降维图像；图像切割模块502还用于将所述待降维图像切割为样本向量x；降维处理模块508还用于根据Y＝W^'Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

作为一种实施方式，所述图像获取模块501还用于获取测试样本图像；图像切割模块502还用于将所述测试样本图像切割为测试样本向量；所述降维处理模块508还用于采用所述目标投影矩阵对所述测试样本向量进行降维；

所述系统还包括：

分类识别模块，用于采用分类器对降维后的测试样本向量进行识别；

准确性确定模块，用于根据识别结果评估所述投影矩阵的优劣。

本发明降维过程中局部领域的大小能够根据分布特征自适应调整，对于分布稠密的区域，能够防止过多非局部信息的引入，造成流形结构在嵌入过程中的扭曲和对局部拓扑关系的破坏，形成流形结构的光滑嵌入。本发明不仅能很好保持数据的局部拓扑结构，也能很好保持局部样本分布的多样性和差异性，更好地描述了数据的局部本质结构特征。

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)

1.一种基于判别正则化局部保留投影的图像数据降维方法，其特征在于，包括：

获取样本图像，所述样本图像的数量为多个；

将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

跳转至“根据

确定第二相似矩阵S′_ij”步骤，直至满足迭代条件，将最后得到的投影矩阵记为目标投影矩阵；

采用所述目标投影矩阵对待降维图像进行降维处理。

2.根据权利要求1所述的基于判别正则化局部保留投影的图像数据降维方法，其特征在于，所述采用所述目标投影矩阵对待降维图像进行降维处理，具体包括：

获取待降维图像；

将所述待降维图像切割为样本向量x；

根据Y＝W'^Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

3.根据权利要求1所述的基于判别正则化局部保留投影的图像数据降维方法，其特征在于，所述迭代条件为迭代次数达到设定次数。

4.根据权利要求1所述的基于判别正则化局部保留投影的图像数据降维方法，其特征在于，所述迭代条件为相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值，其中，目标值

其中，L_P＝X(L+λL')X^T。

5.根据权利要求1所述的基于判别正则化局部保留投影的图像数据降维方法，其特征在于，所述方法还包括：

获取测试样本图像；

将所述测试样本图像切割为测试样本向量；

采用所述目标投影矩阵对所述测试样本向量进行降维；

采用分类器对降维后的测试样本向量进行识别；

根据识别结果评估所述投影矩阵的优劣。

6.一种基于判别正则化局部保留投影的图像数据降维系统，其特征在于，包括：

图像获取模块，用于获取样本图像，所述样本图像的数量为多个；

图像切割模块，用于将所述样本图像切割为样本向量，并对各所述样本向量进行L2范数归一化处理，得到处理后的样本向量x_i，i＝1,2,…n，n为样本图像的数量；

第一相似性矩阵确定模块，用于根据

确定第一相似性矩阵S_ij，其中t是一个热核参数且t≥0,||·||₂是L2范数符号，N(x_i)表示距离x_i最近k个样本集合；

初始投影矩阵确定模块，用于确定投影矩阵的初始矩阵，所述投影矩阵为正交的d×v矩阵，v为投影后的维度，d为样本向量的维度；

第二相似性矩阵确定模块，用于根据

确定第二相似性矩阵S′_ij，其中，W为投影矩阵，B_ij为弹性矩阵，B_ij＝sign(S_ij-s)，s为第一相似性矩阵中大于0的元素的平均值；

特征求解模块，用于根据(X(L+λL')X^T)V＝λ(XDX^T)V求解矩阵V和特征值λ，其中，L＝D-S，L'＝D'-S',D和D'均为对角矩阵，

X＝[x₁,x₂,...,x_n]；

投影矩阵确定模块，用于提取矩阵V中与相对大的前v个特征值相对应的特征向量构成投影矩阵；

降维处理模块，用于采用所述目标投影矩阵对待降维图像进行降维处理。

7.根据权利要求6所述的基于判别正则化局部保留投影的图像数据降维系统，其特征在于，所述图像获取模块，还用于获取待降维图像；图像切割模块，还用于将所述待降维图像切割为样本向量x；降维处理模块，还用于根据Y＝W'^Tx对所述待降维图像进行降维，其中，W'为目标投影矩阵，Y为所述待降维图像降维后的数据。

8.根据权利要求6所述的基于判别正则化局部保留投影的图像数据降维系统，其特征在于，所述迭代条件为迭代次数达到设定次数。

9.根据权利要求6所述的基于判别正则化局部保留投影的图像数据降维系统，其特征在于，所述迭代条件为相邻两次迭代得到的目标值J的差值ΔJ小于设定阈值，其中，目标值

其中，L_P＝X(L+λL')X^T。

10.根据权利要求6所述的基于判别正则化局部保留投影的图像数据降维系统，其特征在于，所述图像获取模块还用于获取测试样本图像；图像切割模块还用于将所述测试样本图像切割为测试样本向量；所述降维处理模块还用于采用所述目标投影矩阵对所述测试样本向量进行降维；

所述系统还包括：

分类识别模块，用于采用分类器对降维后的测试样本向量进行识别；

准确性确定模块，用于根据识别结果评估所述投影矩阵的优劣。

Images