(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211217899.3 (22)申请日 2022.09.30 (71)申请人 常州工业职业 技术学院 地址 213100 江苏省常州市武进区鸣新中 路28号 (72)发明人 周国华　卢剑伟　申燕萍　陆兵　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/772(2022.01) G06V 10/82(2022.01) (54)发明名称 邻域信息嵌入的半监督判别字典对学习的 图像分类方法 (57)摘要 本发明涉及图像处理技术领域， 尤其涉及邻 域信息嵌入的半监督判别字典对学习的图像分 类方法， 包括生成初始合成字典和分析字典对， 并根据合 成字典和分析字典对求解稀 疏编码； 构 建类间图、 类内图和构建权重矩阵， 并对权重矩 阵进行计算； 得到SDDPL ‑NIE模型的目标函数； 更 新合成字典、 分析字典和稀疏编码， 当目标函数 收敛或达到最大迭代次数。 本发 明在字典对学习 模型的基础上， 利用标记和未标记的样本联合训 练合成字典和分析字典对； 通过最小化基于稀 疏 范数的重构误差项， 并使用范数对 结构化分析字 典进行约束， 以得到稳健的字典对； 同时， 基于稀 疏编码的邻域结构信息建立局部边界项， 以保证 近邻稀疏编码间类内 紧凑和类间分离 。 权利要求书2页 说明书10页 附图3页 CN 115496950 A 2022.12.20 CN 115496950 A 1.邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其特征在于， 包括以下步 骤： 步骤一、 构建标记样本Zl和未标记的样本Zu， 生成初始合成字典和分析字典对， 并根据 合成字典D和分析字典P对求 解稀疏编码A； 步骤二、 构建类 间图、 类内图和 构建权重矩阵， 并对权重矩阵进行计算； 得到SDDPL ‑NIE 模型的目标函数； 步骤三、 进行迭代优化， 更新合成字典、 分析字典和稀疏编码， 当SDDPL ‑NIE模型的目标 函数收敛或达 到最大迭代次数， 迭代优化结束。 2.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， 步骤一具体包括： 结构化分析字典P＝[P1； P2； ...,PC]∈RK×d， 将Z＝[Zl,Zu]通过A＝PZ投影到对应的稀疏 编码A， 并通过结构化合成字典D＝[D1； D2； ...,DC]∈Rd×K合成输入样本， Z为训练样本集， Z≈ DA， C是类的数量， 形成第k类相关联的子 字典对。 3.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， 对权 重矩阵进行计算的公式为： 根据类间图Gb和类内图Gw， 定义两个权 重矩阵 和 分别属于Gw和Gb： 其中， nk表示nl中第k类样本的个数， 4.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， S DDPL‑NIE模型的目标函数为： 其中， α、 β 是权重系数， [Zl,Zu]为标记样本集和未标记样本集， D为合成字典， P为分析字 典， Pk为分析字典P的第k类相关联的子字典， Dk为合成字典D的第k类相关联的子字典， Zk为 第k类的训练样本， Λk为对角矩阵， 的对角元素是 是 矩阵 的第i行。 5.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， 更新分析字典包括： 固定合成字典D和稀疏编码A求解分析字典P， 对Pk一阶求导， 可得： 其中， 是矩阵A中关于Pk的子矩阵， Uk是对角矩阵， Uk的对角元素是Uk,ii＝1/(||(Ak‑权　利　要　求　书 1/2 页 2 CN 115496950 A 2PkZk)i||2),(Ak‑PkZk)i是矩阵(Ak‑PkZk)的第i行向量。 6.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， 更新合成字典包括： 固定分析字典P和稀疏编码A求解合成字典D， 对Dk一阶求导， 可得Dk的表示式： 其中， τ 为 正数， I为单位矩阵。 7.根据权利要求1所述的邻域信息嵌入的半监督判别字典对学习的图像分类方法， 其 特征在于， 更新稀疏编码包括： 固定分析字典P和合成字典D求解稀疏编码A， 令Zu对应的稀 疏编码为Au， 对Au进行求解， 可得， 对Au一阶求导， 可得， 对Ak进行求解， 可得： 对Ak一阶求导， 可得： 权　利　要　求　书 2/2 页 3 CN 115496950 A 3