基于L2,p矩阵范数稀疏表示的图像分类方法.pdfVIP

第41卷 第1期 南京理工大学学报 Vol.41 No.1 2017年2月 Journal of Nanjing University of Science and Technology Feb.2017 基于L 矩阵范数稀疏表示的图像分类方法 2,p 1 2 1 时中荣 ,王　 胜 ,刘传才 (1.南京理工大学 计算机科学与工程学院,江苏 南京210094; 2.河南大学 图像处理与模式识别研究所,河南 开封475004) 摘　 要:为了提高基于稀疏表示分类算法的分类精度,该文充分利用同类样本的非零系数高度 集中的特点,提出一种用l 矩阵范数进行稀疏约束的基于稀疏表示的分类方法。 该算法的训 2,p 练阶段,构造的目标函数主要包括三个部分:重构误差、稀疏矩阵类内一致性约束、稀疏矩阵类 间不一致性约束,其中的稀疏矩阵类内一致性约束用l 矩阵范数实现。 该算法的测试阶段,计 2,p 算新样本的稀疏重构系数以用于分类。 和传统的基于稀疏表示的分类方法比较,该方法求稀疏 重构系数时对样本不再单个处理,而是对同类样本整体处理,且充分利用同类样本的相似性和 不同类样本的相异性,提高了基于稀疏表示的图像分类方法的分类精度。 实验结果表明:该方 法进一步提高了图像分类的准确率,在AR、Extended Yale B和Fifteen Scene Category数据库上 和基于稀疏表示的分类方法(Sparse representation based classification,SRC)相比较,识别率分别 提高了20.11%、20.88%和2.13%。 关键词:图像分类;稀疏表示;稀疏分类;矩阵范数;稀疏编码;字典学习;稀疏正则项;稀疏诱导范数 中图分类号:TP391.41　 　 文章编号:1005-9830(2017)01-0080-10 DOI:10.14177/ ki.32-1397n.2017.41.01.011 Sparse representation via L norm for image classification 2,p 1 2 1 Shi Zhongrong ,Wang Sheng ,Liu Chuancai (1.School of Computer Science and Engineering,Nanjing University of Science and Technology, Nanjing210094,China; 2.Institute of Image Processing and Pattern Recognition,Henan University,Kaifeng475004,China) Abstract:For the sparse representation-based classification method,since the non-zero elements of sparse coefficientswith the same class are concentrated in a few rows,we propose to regularize the 　 收稿日期:2016-12-13　 　 修回日期:2016-12-30