一种基于显著性特征的多标记图像分类方法、装置及可读介质

本发明涉及图像分类领域，具体涉及一种基于显著性特征的多标记图像分类方法、装置及可读介质。

背景技术：

1、随着信息获取技术的发展，很大比例的应用数据面临着一个共同的问题，即标记和高维数据的快速增长，高维多标记数据可能包含许多噪声和冗余，从而导致计算效率低下和性能下降。现有的多标记特征选择方法大致可以分为三大类：过滤式方法、包装式方法和嵌入式方法。过滤式方法在生成特征子集的过程中不依赖于任何学习算法，因此无法选择较为理想的特征。包装式方法采用进化算法来搜索特征子集，但这种方法迭代次数通常是上万次的，计算时间的开销是昂贵的。嵌入式方法同时结合学习模型去生成特征选择矩阵，特征选择矩阵直接决定特征重要性排序。

2、传统的嵌入式方法存在两个问题：一是传统的嵌入式方法通过构造伪标记矩阵来拟合原始标记空间矩阵，然后利用伪标记矩阵挖掘类标记之间的相关性，但得到的标记相关系数存在一定的偏差，伪标记矩阵为了逼近原始标记空间矩阵中的逻辑值，会忽略特征与类标记之间的关联度。二是多标记数据中每个标记的数据分布是不平衡的，对于低密度标记，其对应特征的权重会在特征选择过程中受到影响，现有的基于图的嵌入方法因其简单高效而被广泛研究用于处理标记密度不平衡问题，但在高维数据上，噪声信息会导致图矩阵构建不准确。

技术实现思路

1、本技术的目的在于针对上述提到的技术问题提出一种基于显著性特征的多标记图像分类方法、装置及可读介质。

2、第一方面，本发明提供了一种基于显著性特征的多标记图像分类方法，包括以下步骤：

3、s1，获取若干具有已知标记的图像并构造出特征空间矩阵和标记空间矩阵，从特征空间矩阵中随机生成初始的特征选择矩阵，随机初始化生成与标记空间矩阵的空间大小相同的伪标记矩阵，基于特征选择矩阵、特征空间矩阵和伪标记矩阵构造回归框架；

4、s2，构建用于指导稀疏方向的牵引矩阵，设计非负标记稀疏矩阵学习稀疏度，结合牵引矩阵、非负标记稀疏矩阵、标记空间矩阵和伪标记矩阵构建拟合模型；通过伪标记矩阵构造标记相关性模型；构建特征选择矩阵的核范数模型；根据回归框架、拟合模型、标记相关性模型和特征选择矩阵的核范数模型构建目标函数，通过交替迭代优化算法对目标函数进行求解，判断目标函数是否收敛，若是，则将最后一个轮次优化后的特征选择矩阵作为最终优化的特征选择矩阵，否则重复步骤s2，基于最终优化的特征选择矩阵确定图像特征子集，基于图像特征子集和标记空间矩阵构建训练数据；

5、s3，构建图像分类模型，采用训练数据对图像分类模型进行训练，得到经训练的图像分类模型；

6、s4，获取图像，将图像中与图像特征子集相对应的特征输入到经训练的图像分类模型中，得到图像分类结果。

7、作为优选，特征空间矩阵表示为其中为特征空间矩阵中的第i行的元素构成的向量，xi中的每个元素均为第i个图像的特征，特征包括图像的8个区域中的每个区域对应的颜色均值特征、颜色标准偏差特征、形状特征、4个高斯滤波器和12种定向滤波器提取的纹理特征，表示实数空间，d表示d维特征，n表示图像的总数量，标记空间矩阵包含n个图像所对应的标记，表示为第i个图像xi∈x(1≤i≤n)都关联标记空间矩阵y中的一个行向量表示标记空间矩阵中第i行第j列的元素，标记为图像中各个物体的类别，若第i个图像与第j个标记相关联，则标记空间矩阵中对应的元素若第i个图像与第j个标记不相关，则标记空间矩阵中第i行第j列的元素

8、作为优选，构建用于指导稀疏方向的牵引矩阵，设计非负标记稀疏矩阵学习稀疏度，结合牵引矩阵、非负标记稀疏矩阵、标记空间矩阵和伪标记矩阵构建拟合模型；通过伪标记矩阵构造标记相关性模型；构建特征选择矩阵的核范数模型；根据回归框架、拟合模型、标记相关性模型和特征选择矩阵的核范数模型构建目标函数，具体包括：

9、回归框架表示为：

10、

11、其中，α为||w||2,1的权衡参数，w表示特征选择矩阵，v表示伪标记矩阵，x表示特征空间矩阵，||·||f表示frobenius范数，||·||2,1表示l2,1范数；

12、结合牵引矩阵b、非负标记稀疏矩阵s和标记空间矩阵y来拟合伪标记矩阵v，构建拟合模型，表示为：

13、

14、其中，表示矩阵的哈达玛乘积运算符，定义为：每个牵引矩阵b中第i行第j列的元素bij表示一个松弛方向，即“+1”表示正的稀疏方向，“-1”表示负的稀疏方向；

15、基于二阶策略，引入对标记相关性的探索，构造出标记相关性模型，表示为：

16、

17、其中，||·||2表示l2范数，v:p为第p个标记的伪标记结果，v:q为第q个标记的伪标记结果，l＝a-g，a是对角矩阵，表示为diag(a1,a2,...,ac)，aj表示a中第j行第j列的元素，gpq为g中第p行第q列的元素，p,q＝1,2,…,c；g表示亲和性矩阵，亲和性矩阵初始为随机初始化生成；

18、特征选择矩阵的核范数模型表示为：

19、

20、其中，||·||*表示核函数，tr表示迹；

21、目标函数表示为：

22、

23、其中，β、γ和λ分别表示拟合模型、标记相关性模型和特征选择矩阵的核范数模型表示的权衡参数。

24、作为优选，通过交替迭代优化算法对目标函数进行求解，具体包括：

25、设定w＝[w1,w2,...,wd]t，h＝1,2,…,d，目标函数等价于：

26、

27、其中，d是对角矩阵，dhh表示d中的第h行第h列的元素，wh表示上一轮次优化后的特征选择矩阵w中的第h行的元素构成的行向量；

28、固定v和s，求解当前轮次优化后的w，公式(6)简化为：

29、

30、其中，δ表示固定v和s后简化的目标函数；

31、令根据奇异值分解w＝u∑pt，w＝u∑pt中采用上一轮次优化后的特征选择矩阵w，可得：

32、

33、其中，u和p表示根据当前轮次优化后的特征选择矩阵w求解得到的第一变量和第二变量，w＝(xtx+αd)-1(xtv-λupt)为当前轮次优化后的w；

34、固定w和s，求解当前轮次优化后的v，公式(6)简化为：

35、

36、其中，θ表示固定w和s后简化的目标函数；

37、令可得：

38、

39、其中，i为单位矩阵；

40、固定w和v，设h＝v-y，y＝v-h，求解当前轮次优化后的s，公式(6)简化为：

41、

42、s的最优解可计算为：

43、

44、作为优选，计算最终优化的特征选择矩阵中的每一行的元素构成的行向量的l2范数||wh||2，并按照||wh||2(h＝1→d)进行降序，选择排名前q％的最终优化的特征选择矩阵中的每一行的元素构成的行向量作为图像特征子集。

45、作为优选，图像分类模型包括mlknn模型。

46、第二方面，本发明提供了一种基于显著性特征的多标记图像分类方法，包括以下步骤：

47、回归框架构建模块，被配置为获取若干具有已知标记的图像并构造出特征空间矩阵和标记空间矩阵，从特征空间矩阵中随机生成初始的特征选择矩阵，随机初始化生成与标记空间矩阵的空间大小相同的伪标记矩阵，基于特征选择矩阵、特征空间矩阵和伪标记矩阵构造回归框架；

48、训练数据构建模块，被配置为构建用于指导稀疏方向的牵引矩阵，设计非负标记稀疏矩阵学习稀疏度，结合牵引矩阵、非负标记稀疏矩阵、标记空间矩阵和伪标记矩阵构建拟合模型；通过伪标记矩阵构造标记相关性模型；构建特征选择矩阵的核范数模型；根据回归框架、拟合模型、标记相关性模型和特征选择矩阵的核范数模型构建目标函数，通过交替迭代优化算法对目标函数进行求解，判断目标函数是否收敛，若是，则将最后一个轮次优化后的特征选择矩阵作为最终优化的特征选择矩阵，否则重复执行训练数据构建模块，基于最终优化的特征选择矩阵确定图像特征子集，基于图像特征子集和标记空间矩阵构建训练数据；

49、模型构建模块，被配置为构建图像分类模型，采用训练数据对图像分类模型进行训练，得到经训练的图像分类模型；

50、分类模块，被配置为获取图像，将图像中与图像特征子集相对应的特征输入到经训练的图像分类模型中，得到图像分类结果。

51、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

52、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

53、第五方面，本发明提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

54、相比于现有技术，本发明具有以下有益效果：

55、(1)本发明提出的基于显著性特征的多标记图像分类方法利用标记稀疏机制得到稀疏的伪标记矩阵，用于学习类别标记之间的可靠相关性。

56、(2)本发明提出的基于显著性特征的多标记图像分类方法利用特征选择矩阵的核范数模型挖掘多标记学习的共享信息，可以处理标记密度不平衡问题。

57、(3)本发明提出的基于显著性特征的多标记图像分类方法将标记空间矩阵与非负标记稀疏矩阵相结合，学习类别标记之间的相关性，利用特征选择矩阵来捕获不同相关标记的共享信息，减轻了低密度标记对特征选择的影响，从而提高多标记图像数据的分类性能。