关键词:
字典对学习
标签一致性
松弛矩阵
变换学习
局部约束
图像分类系统
摘要:
字典学习旨在生成有效反映图像包含事物颜色和纹理等多种特征本质的描述信息,一直是图像分类和识别研究的重点问题。近年来,标签一致性字典学习(Label Consistent Dictionary Learning,LCDL)方法因标签信息的嵌入能有效提高字典对图像的判别性,受到研究者的关注。然而,大多LCDL方法表示系数因采用严格的“0-1”结构,尽管使同类图像具有相同的特征表示,却忽略了图像本身的独特信息,造成图像表示不准确、分类效果不佳的问题。松弛矩阵可使严格的二元约束拥有更宽的自由度,能够扩大图像特征的选取范围。但随着字典规模的增大,在影响算法训练效率的同时,会削弱图像的类内相似性。在特征编码过程中,如果能够增加局部约束机制,则可有效保持各类内样本的邻域关系。因此,面对图像分类任务,为有效提高字典的判别能力和训练效率,本文对基于松弛和约束的标签一致性字典学习方法进行了深入研究。主要研究工作如下:(1)针对标签一致性字典学习算法中,同类图像独有特征信息利用不充分导致的表示系数判别性不高、分类效果不佳的问题,提出一种基于松弛标签一致性字典对学习(Slack Label Consistent Dictionary Pair Learning,SLC-DPL)的图像分类算法。首先,利用投影字典对样本数据进行线性投影,使编码表示系数在保持稀疏性的同时,获取更有效的编码特征;其次,引入标签一致性矩阵,将标签信息和每一个字典项相关联;最后,学习一个松弛矩阵将标签一致性进行动态优化,使学习到的表示系数更加灵活,进而提高字典对算法的可判别性。通过在AR数据集、CMU PIE数据集和USPS数据集上进行实验,验证了该算法可有效提高图像分类的精度。(2)研究(1)提出的SLC-DPL算法,尽管充分利用了稀疏编码系数的结构信息,提高了分类效果,但采用字典对学习的方法使得字典规模较大,且当字典规模增大到一定程度时,训练阶段耗费时间较长,图像类内相似性降低。为进一步提高图像分类的精度和效率,提出一种局部约束和松弛标签一致性变换学习(Local Constraint and Slack Label Consistency Transform Learning,SLCTL)的图像分类算法。首先,在松弛标签一致性字典学习的基础上,利用变换矩阵对样本数据进行表示,以快速捕获样本更多的有效特征;其次,学习一个自适应权值对表示系数进行局部约束,提高类内表示的相似性,使学习到的字典更具判别性;最后,在USPS数据集、Scene15数据集和CMU PIE数据集上验证了该算法在图像分类精度和训练效率方面都优于SLC-DPL算法。(3)基于(1)和(2)的研究方法,在Matlab平台上设计并实现了一个基于标签一致性字典学习的图像分类系统。