CN112183660A - 一种基于类间模糊抑制的判别字典学习纺织图像分类方法 - Google Patents

一种基于类间模糊抑制的判别字典学习纺织图像分类方法 Download PDF

Info

Publication number
CN112183660A
CN112183660A CN202011115662.5A CN202011115662A CN112183660A CN 112183660 A CN112183660 A CN 112183660A CN 202011115662 A CN202011115662 A CN 202011115662A CN 112183660 A CN112183660 A CN 112183660A
Authority
CN
China
Prior art keywords
matrix
learning
dictionary
sample
training set
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
CN202011115662.5A
Other languages
English (en)
Other versions
CN112183660B (zh
Inventor
吕文涛
赵雅
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011115662.5A priority Critical patent/CN112183660B/zh
Publication of CN112183660A publication Critical patent/CN112183660A/zh
Application granted granted Critical
Publication of CN112183660B publication Critical patent/CN112183660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于类间模糊抑制的判别字典学习纺织图像分类方法，包括：S1、将数据集样本X分为训练集样本、测试集样本；S2、对样本进行特征提取，得到训练集样本的特征向量Y、标签矩阵H1、测试集样本的特征向量ytest；S3、计算字典学习目标模型所需的初始映射函数F0，将训练集样本的原始特征转移到高维空间，使标签矩阵H1中不同类别间的点相距预设距离；S4、初始化训练集样本字典学习中的学习字典D和稀疏表示矩阵S；S5、利用初始化矩阵，进行判别字典学习，获取更新后的矩阵，输出更新后的学习字典Dlen；S6、根据学习字典Dlen、特征向量ytest，并利用kNN分类器确认测试集样本标签。本发明利用样本潜在类间结构，且结合样本标签信息，有效提高纺织图像瑕疵分类准确度。

Description

一种基于类间模糊抑制的判别字典学习纺织图像分类方法
技术领域
本发明属于图像分类领域，具体涉及一种基于类间模糊抑制的判别字典学习纺织图像分类方法。
背景技术
基于稀疏表示的分类的字典学习一直是机器学习和模式识别领域内的热门课题。判别字典学习(DDL)是稀疏表示和字典学习理论的一个研究分支，主要目的是通过重构训练样本得到样本的表示字典，并通过构造不同的约束项模型来增强字典的判别性能。其中，没有使用训练样本的标签信息，主要通过对原始信号的系数重建进行计算，这类算法为无监督字典学习。但，无监督字典学在字典学习时，都未能利用训练样本的标签信息，不能在分类识别中活得很好的效果。相反的是，有监督学习字典通过对训练集合的标签进行迭代监督学习来构造相对较小而精细的字典。这类字典在很多分类任务中都表现出色，如人脸识别、对象分类和纹理识别等。但大部分方法都只是针对样本的原始空间，过于强调稀疏性而忽略了特征的潜在局部结构。纺织图像瑕疵分类在图像分类任务中是一个具有挑战性的任务，由于织物疵点的特征区分不够明显，不同瑕疵之间的区分判别不是很完善。因此，需要一种针对类间差异的判别字典学习算法。
发明内容
本发明的目的是针对纺织瑕疵图像的特点，以抑制特征样本中的类间差异提高分类准确性，提供了一种基于类间模糊抑制的判别字典学习纺织图像分类方法。
为了实现以上目的，本发明采用以下技术方案：
一种基于类间模糊抑制的判别字典学习纺织图像分类方法，包括步骤：
S1、随机将数据集样本X中的N张图片作为训练集样本，数据集样本X中的其余图片作为测试集样本；
S2、读取数据集样本X，对训练集样本以及测试集样本进行特征提取，以得到训练集样本的特征向量Y、标签矩阵H1，以及得到测试集样本的特征向量ytest；
S3、计算训练集样本字典学习目标模型所需的初始映射函数F0，以将训练集样本的原始特征转移到高维空间，使标签矩阵H1中不同类别间的点相距预设距离；
S4、初始化训练集样本字典学习中的学习字典D和稀疏表示矩阵S；
S5、利用得到的训练集样本的初始化矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典Dlen；
S6、根据学习字典Dlen以及测试集样本的特征向量ytest，并利用kNN分类器来确认测试集样本标签。
作为优选方案，步骤S2中，在Matlab中读取数据集样本X，通过灰度共生矩阵、梯度方向直方图和局部二值模式对训练集样本以及测试集样本进行特征提取。
作为优选方案，步骤S2中，训练集样本的特征向量Y＝[y1...yi...yN]∈Rn×N，标签矩阵H1的每一列都是一个向量，表示为H1＝[h1...hi...hN]∈Rp×N：hi＝[0,0,1,…,0,0,0]T，其中非零元素所在位置即表示类；
其中，yi表示训练集样本中的第i个样本的特征向量，n表示维数，R表示实数集；hi表示训练集样本中第i个样本的的标签，p为样本总类数，T表示转置。
作为优选方案，步骤S3中，根据核函数F以及训练集样本的特征向量Y生成初始映射函数F0，核函数F为正则化拉普拉斯矩阵、线性核函数、多项式核函数、高斯核函数、Sigmoid核函数中的一种。
作为优选方案，步骤S4中具体包括，随机生成训练集样本字典学习中的学习字典D和稀疏表示矩阵S，并对其进行初始化，初始化结果为：
Figure BDA0002730093800000031
其中，M矩阵中的元素mij＝si-sj，si表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第i列，sj表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第j列，λ和β为约束系数，D0表示初始学习字典，S0表示初始稀疏表示矩阵。
作为优选方案，步骤S5中判别字典学习具体包括以下步骤：
S5.1、固定初始学习字典D0和初始映射函数F0的值，对初始稀疏表示矩阵S0进行迭代更新，迭代更新的公式为：
Figure BDA0002730093800000032
其中，I表示单位矩阵，
Figure BDA0002730093800000033
表示迭代更新后初始稀疏表示矩阵S0的第i列，scj表示初始稀疏表示矩阵S0的第j列，Fci表示初始映射函数F0的第i列；
S5.2、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure BDA0002730093800000034
的值，对初始学习字典D0进行迭代更新，迭代更新的公式为：
Figure BDA0002730093800000035
其中，
Figure BDA0002730093800000036
表示迭代更新后的初始学习字典D0，τ为系数，且τ的取值使
Figure BDA0002730093800000041
为非奇异矩阵；
S5.3、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure BDA0002730093800000042
的值，对初始映射函数F0进行迭代更新，迭代更新的公式为：
Figure BDA0002730093800000043
其中
Figure BDA0002730093800000044
表示迭代更新后的初始映射函数F0的第i列，
Figure BDA0002730093800000045
Figure BDA0002730093800000046
表示迭代更新后初始稀疏表示矩阵S0的第j列。
作为优选方案，步骤S5.3之后还包括步骤：
S5.4、使用l2范数求得训练集样本的重建残差：
Figure BDA0002730093800000047
sci表示初始稀疏表示矩阵S0的第i列；
S5.5、令ε＝[ε (y1)...ε (yi)...ε (yN)]判断ε中的最小值的值是否符合εmin＞ε0，若符合，则将迭代更新后得到
Figure BDA0002730093800000048
的值相应更新至S0、D0、F0并重新执行步骤S5.1、S5.2、S5.3，若不符合，则输出最终更新得到的学习字典Dlen，其中ε0为预设的可接受误差的最大值。
作为优选方案，步骤S6具体包括：根据得到的学习字典Dlen以及测试集样本的特征向量ytest，通过求解岭回归得到测试集样本的稀疏表示矩阵
Figure BDA0002730093800000049
将测试样本的稀疏表示矩阵
Figure BDA00027300938000000410
通过kNN分类器估计测试集样本的标签。
作为优选方案，步骤S2中，还包括对测试集样本进行特征提取，以得到测试集样本的标签矩阵H2。
作为优选方案，步骤S6之后还包括步骤：
S7、将利用kNN分类器确认得到的测试集样本标签与标签矩阵H2进行对比，以得到分类结果的准确度。
本发明的有益效果是：充分利用了样本的潜在类间结构，且结合了样本的标签信息，有效的提高了纺织图像瑕疵分类的准确度。
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是一种基于类间模糊抑制的判别字典学习纺织图像分类方法的流程图；
图2是油污类织物疵点图像样本；
图3是疵点类织物疵点图像样本；
图4是双纬类织物疵点图像样本。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明所采集的图像来自浙江理工大学实验室中自行拍摄提取的织物织物疵点图像，参照图2、3、4所示，图像中主要是由不同的织物瑕疵图组成，包括油污、疵点、双纬等，并对提取的图像按照下述本发明提供的分类方法进行分类。
参照图1，本实施例提供了一种基于类间模糊抑制的判别字典学习纺织图像分类方法，包括步骤：
S1、随机将数据集样本X中的N张图片作为训练集样本，数据集样本X中的其余图片作为测试集样本；
S2、读取数据集样本X，对训练集样本以及测试集样本进行特征提取，以得到训练集样本的特征向量Y、标签矩阵H1，以及得到测试集样本的特征向量ytest；
S3、计算训练集样本字典学习目标模型所需的初始映射函数F0，以将训练集样本的原始特征转移到高维空间，使标签矩阵H1中不同类别间的点相距预设距离；
S4、随机生成训练集样本字典学习中的学习字典D和稀疏表示矩阵S，并对其进行初始化；
S5、利用得到的训练集样本的初始化矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典Dlen；
S6、根据学习字典Dlen以及测试集样本的特征向量ytest，并利用kNN分类器来确认测试集样本标签。
具体的：
步骤S1中，随机选取数据集样本X中张数的50％为训练集样本，剩余张数为测试集样本。
步骤S2中，在Matlab中读取数据集样本X，通过灰度共生矩阵(GLCM)、梯度方向直方图(HOG)和局部二值模式(LBP)对训练集样本以及测试集样本进行特征提取。
步骤S2中，训练集样本的特征向量Y＝[y1...yi...yN]∈Rn×N，标签矩阵H1的每一列都是一个向量，表示为H1＝[h1...hi...hN]∈Rp×N：hi＝[0,0,1,…,0,0,0]T，其中非零元素所在位置即表示类；
其中，yi表示训练集样本中的第i个样本的特征向量，n表示维数，R表示实数集；hi表示训练集样本中第i个样本的的标签，p为样本总类数，T表示转置。
步骤S3中，根据核函数F以及训练集样本的特征向量Y生成初始映射函数F0，核函数F为正则化拉普拉斯矩阵、线性核函数、多项式核函数、高斯核函数、Sigmoid核函数中的一种。
线性核函数：线性核函数是最简单的核函数，用它对F的定义如下：
Figure BDA0002730093800000071
其中yi、yj分别表示样本中的第i、j个样本的特征向量；Fij表示根据样本中第i个样本和第j个样本生成的线性核函数值。
以下对于其他类型核函数的描述中涉及的字符含义与上述线性核函数中字符含义一致，因此不作重复描述。
多项式核函数：多项式核函数是一种非标准核函数，适合于正交归一化后的数据，但参数较多，对F具体定义为：
Figure BDA0002730093800000072
其中，对参数通常定义为；d＝3；
Figure BDA0002730093800000073
c＝0。
高斯核函数：高斯核函数是一种常用的核函数，也叫做径向基函数(Radial BasisFunction，RBF)。它可以将有限维数据映射到高维空间，对F定义如下：
Figure BDA0002730093800000074
其中，t通常取值为1。
Sigmoid核函数：Sigmoid核函数也是SVM中常见常用的核函数，用它对F赋值可得：
Figure BDA0002730093800000081
通常情况下，a的默认值是
Figure BDA0002730093800000082
c的默认值是0。
拉普拉斯矩阵：我们将F～定义为一个顶点数量为N的无向图Y的拉普拉斯矩阵：
Figure BDA0002730093800000083
其中，W为无向图Y的权重矩阵，维度是N×N。将权重矩阵的每一列元素相加得到N个数，再以它们为对角线构造一个维度是N×N的对角矩阵，即为G。同样的，正则化的拉普拉斯矩阵，就可以定义为：
Figure BDA0002730093800000084
其中，I是单位矩阵。
因此，将训练集样本中的特征向量分别代入上述几类核函数F中，即可获得我们所需的初始映射函数F0。
通过初始映射函数F0将原始特征映射到高维空间，使不同类别间的点相距足够远，为达到此目的，我们定义一个映射项为：
Figure BDA0002730093800000085
其中si表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第i列，sj表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第j列，Fcij表示根据训练集样本中第i个样本以及第j个样本生成的初始映射函数值。
步骤S4中，将原始字典学习的目标函数和我们提出的抑制类间模糊的映射项结合，得到所需的字典学习的目标函数：
Figure BDA0002730093800000091
其中，λ＝10-6和β＝0.16为对应项的约束系数，D0表示初始学习字典，S0表示初始稀疏表示矩阵，令M矩阵中的元素mij＝si-sj，上式可等价于
Figure BDA0002730093800000092
初始化上式得到学习字典D0和稀疏矩阵S0：
Figure BDA0002730093800000093
步骤S5中判别字典学习具体包括以下步骤：
S5.1、固定初始学习字典D0和初始映射函数F0的值，对初始稀疏表示矩阵S0进行迭代更新：
Figure BDA0002730093800000094
其中，mcij＝sci-scj，我们将上式的和表示为Z(sci)，对Z(sci)求偏导可得：
Figure BDA0002730093800000095
Figure BDA0002730093800000096
已知FTF为半正定矩阵，那么若我们选取合适的λ和β，就可以得到半正定矩阵，即Z(sci)对sci是凸函数。令一阶导数等于零，可以得到sci的解析解：
Figure BDA0002730093800000097
其中，
Figure BDA0002730093800000098
表示迭代更新后初始稀疏表示矩阵S0的第i列，scj表示初始稀疏表示矩阵S0的第j列，Fci表示初始映射函数F0的第i列；
S5.2、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure BDA0002730093800000099
的值，对初始学习字典D0进行迭代更新：
Figure BDA0002730093800000101
同样的可以得到：
Figure BDA0002730093800000102
Figure BDA0002730093800000103
令一阶导数等于零，可以得到D0的解析解：
Figure BDA0002730093800000104
其中，
Figure BDA0002730093800000105
表示迭代更新后的初始学习字典D0，τ为系数，且τ的取值使
Figure BDA0002730093800000106
为非奇异矩阵；
S5.3、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure BDA0002730093800000107
的值，根据目标函数求F0的偏导可得：
Figure BDA0002730093800000108
将S5.1中迭代更新后获取的稀疏表示矩阵
Figure BDA0002730093800000109
代入，通过下式对F0进行迭代更新：
Figure BDA00027300938000001010
其中
Figure BDA00027300938000001011
表示迭代更新后的初始映射函数F0的第i列，
Figure BDA00027300938000001012
Figure BDA00027300938000001013
表示迭代更新后初始稀疏表示矩阵S0的第j列。
步骤S5.3之后还包括步骤：
S5.4、使用l2范数求得训练集样本的重建残差：
Figure BDA00027300938000001014
S5.5、令ε＝[ε (y1)...ε (yi)...ε (yN)]判断ε中的最小值的值是否符合εmin＞ε0，若符合，则将迭代更新后得到
Figure BDA00027300938000001015
的值相应更新至S0、D0、F0并重新执行步骤S5.1、S5.2、S5.3，若不符合，则输出最终更新得到的学习字典Dlen，其中ε0为预设的可接受误差的最大值，ε0设置为10-3。
步骤S6具体包括：根据得到的学习字典Dlen以及测试集样本的特征向量ytest，通过求解岭回归得到测试集样本的稀疏表示矩阵
Figure BDA0002730093800000111
将测试样本的稀疏表示矩阵
Figure BDA0002730093800000112
通过kNN分类器估计测试集样本的标签：
Figure BDA0002730093800000113
即
Figure BDA0002730093800000114
将测试样本的稀疏表示矩阵
Figure BDA0002730093800000115
通过kNN分类器估计测试集样本的标签，这样便得到了我们所需的分类结果。
步骤S2中，还包括对测试集样本进行特征提取，以得到测试集样本的标签矩阵H2。
步骤S6之后还包括步骤：
S7、将利用kNN分类器确认得到的测试集样本标签与标签矩阵H2进行对比，以得到分类结果的准确度。
为了验证本法分类方法的性能，我们通过交叉验证来进行评估。实验过程执行五次，每次实验过程都在数据集样本X中随机抽取一半张数的图像作为训练集。执行五次后，将它们的平均值作为最终检测结果，实验结果如下表1所示，我们提出的判别字典学习算法都获得最佳检测结果。
表1不同方法的织物疵点图像分类结果对比表
Figure BDA0002730093800000116
考虑到，不同的核函数F针对样本的差异性会产生不同的效果，可能导致得到的准确率有细微差异，基于相同参数设置，我们使用了不同的核函数F进行测试，实验结果如下表2所示。从实验结果中可以看出，针对织物疵点图像，本发明提供的方法与其它方法相比，具有良好的分类能力，当核函数F为正则化的拉普拉斯矩阵时，可以得到更好的准确度。
表2不同核函数F的分类结果对比表
Figure BDA0002730093800000121
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，包括步骤：
S1、随机将数据集样本X中的N张图片作为训练集样本，数据集样本X中的其余图片作为测试集样本；
S2、读取数据集样本X，对训练集样本以及测试集样本进行特征提取，以得到训练集样本的特征向量Y、标签矩阵H1，以及得到测试集样本的特征向量ytest；
S3、计算训练集样本字典学习目标模型所需的初始映射函数F0，以将训练集样本的原始特征转移到高维空间，使标签矩阵H1中不同类别间的点相距预设距离；
S4、初始化训练集样本字典学习中的学习字典D和稀疏表示矩阵S；
S5、利用得到的训练集样本的初始化矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典Dlen；
S6、根据学习字典Dlen以及测试集样本的特征向量ytest，并利用kNN分类器来确认测试集样本标签。
2.根据权利要求1所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S2中，在Matlab中读取数据集样本X，通过灰度共生矩阵、梯度方向直方图和局部二值模式对训练集样本以及测试集样本进行特征提取。
3.根据权利要求1所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S2中，训练集样本的特征向量Y＝[y1...yi...yN]∈Rn×N，标签矩阵H1的每一列都是一个向量，表示为H1＝[h1...hi...hN]∈Rp×N：hi＝[0,0,1,…,0,0,0]T，其中非零元素所在位置即表示类；
其中，yi表示训练集样本中的第i个样本的特征向量，n表示维数，R表示实数集；hi表示训练集样本中第i个样本的的标签，p为样本总类数，T表示转置。
4.根据权利要求3所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S3中，根据核函数F以及训练集样本的特征向量Y生成初始映射函数F0，核函数F为正则化拉普拉斯矩阵、线性核函数、多项式核函数、高斯核函数、Sigmoid核函数中的一种。
5.根据权利要求4所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S4中具体包括，随机生成训练集样本字典学习中的学习字典D和稀疏表示矩阵S，并对其进行初始化，初始化结果为：
Figure FDA0002730093790000021
其中，M矩阵中的元素mij＝si-sj，si表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第i列，sj表示稀疏表示矩阵S＝[s1...si...sj...sN]∈Rn×N的第j列，λ和β为约束系数，D0表示初始学习字典，S0表示初始稀疏表示矩阵。
6.根据权利要求5所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S5中判别字典学习具体包括以下步骤：
S5.1、固定初始学习字典D0和初始映射函数F0的值，对初始稀疏表示矩阵S0进行迭代更新，迭代更新的公式为：
Figure FDA0002730093790000022
其中，I表示单位矩阵，
Figure FDA0002730093790000023
表示迭代更新后初始稀疏表示矩阵S0的第i列，scj表示初始稀疏表示矩阵S0的第j列，Fci表示初始映射函数F0的第i列；
S5.2、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure FDA0002730093790000024
的值，对初始学习字典D0进行迭代更新，迭代更新的公式为：
Figure FDA0002730093790000031
其中，
Figure FDA0002730093790000032
表示迭代更新后的初始学习字典D0，τ为系数，且τ的取值使
Figure FDA0002730093790000033
为非奇异矩阵；
S5.3、固定步骤S5.1中迭代更新后获取的稀疏表示矩阵
Figure FDA0002730093790000034
的值，对初始映射函数F0进行迭代更新，迭代更新的公式为：
Figure FDA0002730093790000035
其中
Figure FDA0002730093790000036
表示迭代更新后的初始映射函数F0的第i列，
Figure FDA0002730093790000037
Figure FDA0002730093790000038
表示迭代更新后初始稀疏表示矩阵S0的第j列。
7.根据权利要求6所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S5.3之后还包括步骤：
S5.4、使用l2范数求得训练集样本的重建残差：
Figure FDA0002730093790000039
sci表示初始稀疏表示矩阵S0的第i列；
S5.5、令ε＝[ε(y1)...ε(yi)...ε(yN)]判断ε中的最小值的值是否符合εmin＞ε0，若符合，则将迭代更新后得到
Figure FDA00027300937900000310
的值相应更新至S0、D0、F0并重新执行步骤S5.1、S5.2、S5.3，若不符合，则输出最终更新得到的学习字典Dlen，其中ε0为预设的可接受误差的最大值。
8.根据权利要求7所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S6具体包括：根据得到的学习字典Dlen以及测试集样本的特征向量ytest，通过求解岭回归得到测试集样本的稀疏表示矩阵
Figure FDA00027300937900000311
将测试样本的稀疏表示矩阵
Figure FDA00027300937900000312
通过kNN分类器估计测试集样本的标签。
9.根据权利要求8所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S2中，还包括对测试集样本进行特征提取，以得到测试集样本的标签矩阵H2。
10.根据权利要求9所述的一种基于类间模糊抑制的判别字典学习纺织图像分类方法，其特征在于，步骤S6之后还包括步骤：
S7、将利用kNN分类器确认得到的测试集样本标签与标签矩阵H2进行对比，以得到分类结果的准确度。
CN202011115662.5A 2020-10-19 2020-10-19 一种基于类间模糊抑制的判别字典学习纺织图像分类方法 Active CN112183660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011115662.5A CN112183660B (zh) 2020-10-19 2020-10-19 一种基于类间模糊抑制的判别字典学习纺织图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011115662.5A CN112183660B (zh) 2020-10-19 2020-10-19 一种基于类间模糊抑制的判别字典学习纺织图像分类方法

Publications (2)

Publication Number Publication Date
CN112183660A true CN112183660A (zh) 2021-01-05
CN112183660B CN112183660B (zh) 2024-02-06

Family

ID=73950851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011115662.5A Active CN112183660B (zh) 2020-10-19 2020-10-19 一种基于类间模糊抑制的判别字典学习纺织图像分类方法

Country Status (1)

Country Link
CN (1) CN112183660B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793319A (zh) * 2021-09-13 2021-12-14 浙江理工大学 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557782A (zh) * 2016-11-22 2017-04-05 青岛理工大学 基于类字典的高光谱图像分类方法及装置
CN106991355A (zh) * 2015-09-10 2017-07-28 天津中科智能识别产业技术研究院有限公司 基于拓扑保持的解析型字典学习模型的人脸识别方法
US20170236000A1 (en) * 2016-02-16 2017-08-17 Samsung Electronics Co., Ltd. Method of extracting feature of image to recognize object
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 深圳大学 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
CN108846414A (zh) * 2018-05-22 2018-11-20 浙江理工大学 基于决策级融合思想的sar图像子类别分类方法
CN109117860A (zh) * 2018-06-27 2019-01-01 南京邮电大学 一种基于子空间投影和字典学习的图像分类方法
CN110378415A (zh) * 2019-07-19 2019-10-25 浙江理工大学 一种sar图像分类算法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991355A (zh) * 2015-09-10 2017-07-28 天津中科智能识别产业技术研究院有限公司 基于拓扑保持的解析型字典学习模型的人脸识别方法
US20170236000A1 (en) * 2016-02-16 2017-08-17 Samsung Electronics Co., Ltd. Method of extracting feature of image to recognize object
CN106557782A (zh) * 2016-11-22 2017-04-05 青岛理工大学 基于类字典的高光谱图像分类方法及装置
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 深圳大学 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
CN108846414A (zh) * 2018-05-22 2018-11-20 浙江理工大学 基于决策级融合思想的sar图像子类别分类方法
CN109117860A (zh) * 2018-06-27 2019-01-01 南京邮电大学 一种基于子空间投影和字典学习的图像分类方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN110378415A (zh) * 2019-07-19 2019-10-25 浙江理工大学 一种sar图像分类算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吕高焕;吕文涛;: "基于训练字典优化测量矩阵的SAR图像压缩算法", 太赫兹科学与电子信息学报, no. 06 *
封睿;李小霞: "基于GLC-KSVD的稀疏表示人脸识别算法", 四川兵工学报, vol. 35, no. 004 *
廖重阳;张洋;屈光中;毕云云;: "基于Fisher判别字典学习的可拒识模式分类模型", 计算机工程, no. 04 *
汤红忠;李骁;张小刚;张东波;王翔;毛丽珍: "Fisher准则下面向判别性特征的字典学习方法及其组织病理图像分类研究", 自动化学报, no. 010 *
胡正平;徐波;白洋: "Gabor特征集结合判别式字典学习的稀疏表示图像识别", 中国图象图形学报, vol. 18, no. 002 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793319A (zh) * 2021-09-13 2021-12-14 浙江理工大学 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统
CN113793319B (zh) * 2021-09-13 2023-08-25 浙江理工大学 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统

Also Published As

Publication number Publication date
CN112183660B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
Divakar et al. Image denoising via CNNs: An adversarial approach
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN108122008B (zh) 基于稀疏表示和多特征决策级融合的sar图像识别方法
CN111242841B (zh) 一种基于语义分割和深度学习的图片背景风格迁移方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN110618082B (zh) 基于神经网络的储层微观孔隙结构评价方法及装置
CN110717519B (zh) 训练、特征提取、分类方法、设备及存储介质
CN111915486B (zh) 基于图像超分辨重建的对抗样本防御方法
CN113793319A (zh) 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统
CN112734911A (zh) 基于卷积神经网络的单幅图像三维人脸重建方法及系统
CN109063555B (zh) 基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法
Wei et al. Mesh defiltering via cascaded geometry recovery
CN112163114A (zh) 一种基于特征融合的图像检索方法
CN113920210B (zh) 基于自适应图学习主成分分析方法的图像低秩重构方法
CN112183660B (zh) 一种基于类间模糊抑制的判别字典学习纺织图像分类方法
Peng et al. Learnable representative coefficient image denoiser for hyperspectral image
Ilea et al. Texture image classification with Riemannian Fisher vectors
Ju et al. Kronecker-decomposable robust probabilistic tensor discriminant analysis
Chen et al. Capped $ l_1 $-norm sparse representation method for graph clustering
Hong et al. Random forest fusion classification of remote sensing PolSAR and optical image based on LASSO and IM factor
CN116128747A (zh) 基于结构化张量稀疏模型的多光谱图像去噪方法及装置
CN113313153B (zh) 基于自适应图正则化的低秩nmf图像聚类方法与系统
CN113936196B (zh) 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法
CN113051901B (zh) 一种身份证文本识别方法、系统、介质及电子终端
Zhao et al. Efficient construction and convergence analysis of sparse convolutional neural networks

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