申请/专利权人：西北工业大学

申请日：2021-06-04

公开（公告）日：2024-05-31

公开（公告）号：CN113313179B

主分类号：G06V10/764

分类号：G06V10/764;G06F17/16;G06N20/00;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2021.09.14#实质审查的生效;2021.08.27#公开

摘要：本发明公开了一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法，首先采用对参数进行初始化，再采用交替优化法求解基于L2,p范数的鲁棒最小二乘法的目标函数，得到最终的分类模型，实现对噪声图像的分类。本发明方法通过对训练集中的数据点添加权重的方式来自动去除样本中的噪声和离群点，无需手动进行误差阈值的选取，仅需要提前估计噪声点的数量，过程简单，计算量小，在训练分类器的同时去除噪声图像，而提高最小二乘法抑制噪声的能力和图像分类精度。

主权项：1.一种基于12p范数鲁棒最小二乘法的噪声图像分类方法，其特征在于，包括以下步骤：步骤1：从公开图像数据集中取出图像，取出的图像共2n张，包含了c个类别；将图像每个像素的灰度值作为数据特征并进行拼接，得到d×1的向量，再进行归一化，得到归一化后的数据矩阵；从数据矩阵里每类中选取50％的数据点作为训练集，其余作为测试集；训练集其中d为数据特征的维度，n为训练集中数据点的个数，i＝1，2，...，n；训练集标签矩阵其中yi为0-1向量，即其中全部元素为0或1，若元素yij＝1，则说明第i个数据点属于第j类，j＝1，2，...，c；在训练集图像中添加设定比例的噪声，构成噪声图像；步骤2：采用最小二乘法初始化线性模型中的参数；最小二乘法的优化问题为： 其中，为变换矩阵，为偏置向量，γ为正则化参数，取正值；式1中W和b的理论解为： 其中，为元素均为1的n维向量，为单位向量，为中心矩阵；利用训练集数据，采用最小二乘法初始化模型参数W和b，得到W和b的初始值W0和b0；步骤3：采用迭代法求解基于L2，p范数的鲁棒最小二乘法的目标函数；所述目标函数的形式为： 其中，s＝[s1，s2，...，si，...，sn]T为权重系数向量，si为第i个数据点的权重，k为权重系数向量s中所有元素的和，k的物理意义为训练集中噪声图像含有噪声点的数量，为整数，通过估计获得；p的取值为0＜p≤2；对于任意一个向量a的L2，p范数计算公式为对任意矩阵A的L2，p范数计算公式为由于该目标函数为非凸问题，因此转化为式4进行求解： 其中，式4通过交替优化法求解，求解步骤如下：步骤3-1：根据W0和b0的值计算每个样本点基于L2，p范数的回归误差对误差进行降序排序，误差最大的前m个点对应的si值为0，s中其余值为1；步骤3-2：根据W0和b0的值求解di；设对角阵Λ＝SD，其中，S＝diags1，s2，...，sn，D＝diagd1，d2，...，dn；步骤3-3：更新W和b；b的更新表达式为： 其中I为单位矩阵；W的更新表达式为：W＝XHXT+λI-1XHYT6其中，H的表达式为： 步骤3-4：将新得到的W和b值赋值给W0和b0；步骤3-5：重复步骤3-1到步骤3-5直到算法收敛，得到最优的模型参数值Wopt和bopt；此时得到的模型为： 步骤4：对于测试集，带入模型式8得到其中Xt为测试集数据矩阵；Yt为测试集预测的标签矩阵，Yt种每个列向量表示该列向量对应的样本点属于每个类别的概率，概率最大的值所在的行即为该样本点所属的类别。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD