CN103258210B - 一种基于字典学习的高清图像分类方法 - Google Patents

Abstract

本发明公开了一种基于字典学习的高清图像分类方法，涉及数字图像处理领域。本发明的方法包括：提取所有高清图像样本的视觉特征；对于所述的视觉特征，对高清图像样本进行稀疏编码，通过迭代方法不断进行字典学习，直到分类误差小于阈值，确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值；依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别。本发明能够通过稀疏编码进行字典学习，获得具有较高区分度的稀疏编码，从而使分类方法对高清图像数据集的样本空间分布具有较强的自适应性，对复杂的图像具有更好的鲁棒性，具有很强的通用性和较高的实用价值。

Description

一种基于字典学习的高清图像分类方法

技术领域

本发明涉及数字图像处理领域，具体涉及一种基于字典学习的高清图像分类方法。

背景技术

目前，随着计算机网络的迅速发展、数字媒体技术及智能信息处理技术的发展和广泛应用，大规模图像资源不断出现。面对着海量的图像信息，如何对图像进行分类或标注以便快速地、有效地从海量图像数据中检索出所感兴趣的图像已经人工智能和模式识别中的研究热点，在科学研究、国防军事、工业生产、航空航天、生物医学、交通监控等领域有着广泛的应用。

对图像分类的研究的几十年历史，期间涌现了各种基于不同理论的分类方法，但是，该领域一直没有形成一个统一的理论体系指导新的分类方法的设计与实现。近几年来，图像分类的常用方法包括统计方法和结构方法，但统计方法在图像分类领域中表现活跃，产生了很多新的方法，如神经网络方法、支持向量机(Support Vector Machine，SVM)方法及Boosting方法。根据实现方法的不同，统计方法可以分为：

1)非监督分类法：又称聚类分析法，根据模式之间的相似性进行类别划分，将相似性强的模式划分为同一个类别。该方法不需要对分类数据有较深入的了解，自适应地形成分类数据集，但分类效果在复杂数据中不太理想。

2)监督分类法：根据预先已知类别的训练样本，得到各类在特征空间的分布规模，并利用这个分布规律对未知数据进行分类方法。该方法充分利用分类数据的先验知识，并可通过反复检验训练样本，提高分类精度，因此该方法在高清图像分类中广泛应用。

目前支持向量机(SVM)广泛应用于图像分类领域并取得良好的分类效果，最早的支持向量机(SVM)方法是由Vapnik和Chervonenkis在“Support-Vector Networks,MachineLearning,20,1995.”一文中提出。支持向量机(SVM)是新型机器学习方法，具有完备的统计学习理论基础，它采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则，克服了神经网络受到网络结构复杂性和样本容量的影响大，容易出现过学习或低泛化能力的不足，对于小样本数据分析具有出色的学习能力和推广能力，在模式识别和函数估计中得到了有效的应用，但该方法仍存在以下问题：

(1)SVM算法对大规模训练样本难以实施，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。

(2)SVM方法的复杂度会随特征个数的增加而快速增加，用来训练分类器和测试结果的样本数量会随着特征的数量呈指数关系增长；若增加适应性不强的特征或者与已有特征有较强相关性的特征，反而会使分类器的分类能力下降，降低***识别分类的能力。

后来，法国学者在I.Guyon文献“Guyon I,Weston J,Barnhill,et al.GeneSelection for Cancer Classification Using Support Vector Machines.MachineLearning,2002,46(1/2/3):389-422”当中提出该算法认为使用SVM-RFE算法可以保证在特征排序的过程中保留优化特征子集在对特征进行排序时,该方法使用支持向量机的判别函数中的信息来实现。SVM-RFE方法是一个循环的过程,包含以下步骤：1)用当前数据集训练分类器,根据所得分类器获得所使用特征的相关信息；2)根据事先制定的规则,计算所有特征的排序准则分数；3)在当前数据集中移除对应于最小排序准则分数的特征。该循环过程执行到特征集中剩余最后一个变量时结束算法执行结果为一列按照特征重要性排序的特征序号列表。

本发明方案基于上述分类方法所存在的不足，提出了基于字典学习的非线性分类方法，利用字典学习方法自适应训练出类别中图像样本的潜在的共性，有效地区分不同图像的特性，并在字典学习过程能够自动地根据特征的相关性赋予权值，提高强相关性的特征对分类能力的影响，有效地提高分类的效率。

发明内容

本发明的目的是对高清图像提供一种分类方法，该方法能够解决目前监督分类方法的分类速度慢、复杂度随着特征个数增加而指数增长、相关性不强的特征影响分类精度的问题。

本发明提供一种基于字典学习的高清图像分类方法，包括如下步骤：

S1：提取所有高清图像样本的视觉特征；

S2：对于所述的视觉特征，对高清图像样本进行稀疏编码，通过迭代方法不断进行字典学习，直到分类误差小于阈值，确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值；

S3：依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别。

上述基于字典学习的高清图像分类方法，其中步骤S1所述的提取所有高清图像样本的视觉特征，按如下步骤进行：

S1.1：提取每张图像的特征(颜色、纹理、形状、方向梯度直方图(HOG)、词袋特征(BoW)、尺度不变特征转换(SIFT)等)x_i,i＝1,…,k，k为视觉特征的数量；

S1.2：根据S1.1得到图像的视觉特征为X＝[x₁,…,x_k]。

上述基于字典学习的高清图像分类方法，其中步骤S2所述的对于所述的视觉特征，对高清图像样本进行稀疏编码，通过迭代方法不断进行字典学习，直到分类误差小于阈值，确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值，按如下步骤进行：

S2.1：初始化高清图像所有类别的分类字典D^p,0和视觉特征的权值ω^p,0；

对于每一个类别的高清图像样本，初始化字典为

视觉特征的权值为

${\mathrm{\ω}}^{p,0}={\left\{{\mathrm{\ω}}_i\right\}}_1^m,{\mathrm{\ω}}_i=1$

其中，x_i为高清图像的特征向量，m为特征值个数。

S2.2：对高清图像样本进行稀疏表示，得到图像样本相应的稀疏编码；

对于高清图像的每一类别样本，其稀疏编码矩阵 为第p个类别的第j个图像样本的稀疏编码，C为高清图像样本的类别数，m_p为第p个类别的样本数，t为迭代次数，则稀疏编码矩阵A应满足

$\underset{{\{D^{p,t},A^{p,t}\}}_{p=\mathrm{1...}C}}{\min }\underset{p=1}{\overset{C}{\Σ}}\{{||X^p-D^{p,t}\·A^{p,t}||}_2^2+\mathrm{\λ}\underset{i=1}{\overset{m_p}{\Σ}}||{\mathrm{\α}}_i^{p,t}||\}$

其中，λ为平衡参数。

S2.3：计算高清图像样本中每个类别的重构误差；

对于高清图像的每一类别样本，其重构误差为

$R^{p,t}\left(X^p\right)=\underset{i=1}{\overset{n}{\Σ}}\left|x_i^{p,t}-D^{p,t}\·{\mathrm{\α}}_i^{p,t}\right|$

其中

S2.4：利用非线性规划理论对所有类别的重构误差进行优化，确定视觉特征的重要程度；

对于高清图像样本的视觉特征，其重要程度矩阵为根据视觉特征越重要，重构误差越少的原则，特征重要度β^p,t应满足

$\underset{{\left\{{\mathrm{\β}}^{p,t}\right\}}_{p=\mathrm{1...}C}}{\min }\underset{p=1}{\overset{C}{\Σ}}({\left({\mathrm{\β}}^{p,t}\right)}^T\·R^{p,t}(X^p)-{\left({\mathrm{\β}}^{c,t}\right)}^T\·R^{c,t}(X^p\left)\right)$

$\begin{array}{cc}s.t.& 0\&le;{\mathrm{\&beta;}}_j^{p,t}<1,\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&beta;}}_j^{p,t}=1\end{array}$

$c=\arg \underset{\{q,q\&NotEqual;p\}}{\min }{R}^{q,t}\left(X^p\right)$

S2.5：利用上述得到的特征重要度来更新视觉特征的权值和分类字典；

对于所得到的视觉特征和重要度β^p,t，更新视觉特征的权值

${\mathrm{\&omega;}}_j^{p,t}=\left\{\begin{array}{c}{\mathrm{\&beta;}}_j^{p,t},{\mathrm{\&beta;}}_j^{p,t}<\mathrm{\&mu;}\\ 1,{\mathrm{\&beta;}}_j^{p,t}\&GreaterEqual;\mathrm{\&mu;}\end{array}\right.$

ω^p,t＝ω^p,t-1·ω^p,t

和分类字典

D^p,t＝D^p,t-1·ω^p,t-1

S2.6：判断所有类别的重构误差总和是否小于阈值ε，如果不小于阈值，则返回步骤S2.2，直到满足重构误差小于阈值条件为为止。

上述基于字典学习的高清图像分类方法，其中步骤S3所述的依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别，按如下步骤进行：

根据所述的稀疏编码矩阵A、分类字典D和视觉特征的权重矩阵W，构建高清图像非线性分类器为：

$c^{*}=\arg \underset{p}{\min }{({\mathrm{\&omega;}}^{p,t^{*}-1}\&CenterDot;{\mathrm{\&beta;}}^{p,t^{*}})}^T\left|y-D^{p,t^{*}}\&CenterDot;{\mathrm{\&alpha;}}^{p,t^{*}}\right|$

其中，y为待分类的高清图像样本的视觉特征向量，t^*为最终的迭代次数，为特征重要度，D^p,t为分类字典。

本发明的技术方案与现有技术相比具有以下优点：

(1)本发明由于使用了字典学习方法对同类别图像用相同的分类字典进行稀疏编码，充分考虑了同类图像之间潜在的关联，有效地提高了分类的精度；

(2)本发明由于根据视觉特征对重构误差的影响度对各个视觉特征值进行赋予权值，解决了适应性不强的或者与已有特征有较强相关性的特征对分类精度的反作用效果，进一步提高了分类的精度；

(3)仿真实验表明，本发明较现有的监督分类方法的分类精度较高和分类效率较好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于字典学习的高清图像分类方法流程图；

图2是本发明与现有图像分类方法NS、SVM-RFE、LP-Boost在标准图像集the 17category Oxford Flowers data set的不同视觉特征的对比实验结果图；

图3是本发明与现有的图像分类方法NS、SVM-RFE、LP-Boost在标准图像集the 102category Oxford Flowers data set上的不同视觉特征的对比实验结果图；

图4是本发明与现有图像分类方法NS、SVM-RFE、LP-Boost在标准图像集theCaltech 101 dataset上的不同视觉特征的对比实验结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参照图1，本技术方案的基于字典学习的高清图像分类方法包括以下的步骤：

步骤1：提取所有高清图像样本的视觉特征。

(1)提取每张图像的特征(颜色、纹理、形状、方向梯度直方图(HOG)、词袋特征(BoW)、尺度不变特征转换(SIFT)等)x_i,i＝1,…，k，k为视觉特征的数量；

(2)根据(1)得到图像的视觉特征为X＝[x₁,…,x_k]。

步骤2：对于所述的视觉特征，对高清图像样本进行稀疏编码，通过迭代方法不断进行字典学习，直到分类误差小于阈值，确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值

(1)初始化高清图像所有类别的分类字典D^p,0和视觉特征的权值ω^p,0；

对于每一个类别的高清图像样本，初始化字典为

视觉特征的权值为

${\mathrm{\&omega;}}^{p,0}={\left\{{\mathrm{\&omega;}}_i\right\}}_1^m,{\mathrm{\&omega;}}_i=1$

其中，xi为高清图像的特征向量，m为特征值个数。

(2)对高清图像样本进行稀疏表示，得到图像样本相应的稀疏编码；

对于高清图像的每一类别样本，其稀疏编码矩阵 为第p个类别的第j个图像样本的稀疏编码，C为高清图像样本的类别数，m_p为第p个类别的样本数，t为迭代次数，则稀疏编码矩阵A应满足

$\underset{{\{D^{p,t},A^{p,t}\}}_{p=\mathrm{1...}C}}{\min }\underset{p=1}{\overset{C}{\&Sigma;}}\{{||X^p-D^{p,t}\&CenterDot;A^{p,t}||}_2^2+\mathrm{\&lambda;}\underset{i=1}{\overset{m_p}{\&Sigma;}}||{\mathrm{\&alpha;}}_i^{p,t}||\}$

其中，λ为平衡参数。

(3)计算高清图像样本中每个类别的重构误差；

对于高清图像的每一类别样本，其重构误差为

$R^{p,t}\left(X^p\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\left|x_i^{p,t}-D^{p,t}\&CenterDot;{\mathrm{\&alpha;}}_i^{p,t}\right|$

其中

(4)利用非线性规划理论对所有类别的重构误差进行优化，确定视觉特征的重要程度；

对于高清图像样本的视觉特征，其重要程度矩阵为根据视觉特征越重要，重构误差越少的原则，特征重要度β^p,t应满足

$\underset{{\left\{{\mathrm{\&beta;}}^{p,t}\right\}}_{p=\mathrm{1...}C}}{\min }\underset{p=1}{\overset{C}{\&Sigma;}}({\left({\mathrm{\&beta;}}^{p,t}\right)}^T\&CenterDot;R^{p,t}(X^p)-{\left({\mathrm{\&beta;}}^{c,t}\right)}^T\&CenterDot;R^{c,t}(X^p\left)\right)$

$\begin{array}{cc}s.t.& 0\&le;{\mathrm{\&beta;}}_j^{p,t}<1,\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&beta;}}_j^{p,t}=1\end{array}$

$c=\arg \underset{\{q,q\&NotEqual;p\}}{\min }{R}^{q,t}\left(X^p\right)$

(5)利用上述得到的特征重要度来更新视觉特征的权值和分类字典；

对于所得到的视觉特征和重要度β^p,t，更新视觉特征的权值

${\mathrm{\&omega;}}_j^{p,t}=\left\{\begin{array}{c}{\mathrm{\&beta;}}_j^{p,t},{\mathrm{\&beta;}}_j^{p,t}<\mathrm{\&mu;}\\ 1,{\mathrm{\&beta;}}_j^{p,t}\&GreaterEqual;\mathrm{\&mu;}\end{array}\right.$

ω^p,t＝ω^p,t-1·ω^p,t

和分类字典

D^p,t＝D^p,t-1·ω^p,t-1

其中，为特征重要度，为更新后的视觉特征的权值。

(6)判断所有类别的重构误差总和是否小于阈值ε，如果不小于阈值，则返回步骤(2)，直到满足重构误差小于阈值条件为为止。

步骤3：依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别。

根据所述的稀疏编码矩阵A、分类字典D和视觉特征的权重矩阵W，构建高清图像非线性分类器为：

$c^{*}=\arg \underset{p}{\min }{({\mathrm{\&omega;}}^{p,t^{*}-1}\&CenterDot;{\mathrm{\&beta;}}^{p,t^{*}})}^T\left|y-D^{p,t^{*}}\&CenterDot;{\mathrm{\&alpha;}}^{p,t^{*}}\right|$

其中，y为待分类的高清图像样本的视觉特征向量，t^*为最终的迭代次数，为特征重要度，D^p,t为分类字典。

以下通过仿真实验验证本发明方法的有效性和实用性。

仿真内容：

(1)采用对比实验的形式，选择两个具有代表性的分类方法在同样的图像集上进行测试，以验证本发明的有效性。具体选择的是由Li等人提出的最近子空间(NS)方法，具体参考文献“Li,S.Z.:Face recognition based on nearest linear combinations.In:Proceedings of the IEEE Computer Society Conference on Computer Vision andPattern Recognition,pp.839–844.IEEE Computer Society,Washington,DC,USA(1998)”、由I.Guyon、J.Westo和Barnhill提出的SVM-RFE方法，具体参考文献“Guyon I,Weston J,Barnhill,et al.Gene Selection for Cancer Classification UsingSupport Vector Machines.Machine Learning,2002,46(1/2/3):389-422.”和由P.Gehler和S.Nowozin提出的LP-Boost方法，具体参考文献“P.Gehler and S.Nowozin.On featurecombination for multiclass object classification.In International Conferenceon Computer Vision.IEEE,2009.”

(2)使用标准图像集the 17category Oxford Flowers data set、the 102category Oxford Flowers data set、the Caltech 101 dataset进行仿真实验，以验证本发明对不同图像集的分类效果，具体的仿真条件详见每个实验的描述。

实验一：图像集the 17 category Oxford Flowers data set是英国常见的花卉的图像数据集，它包括17类花卉，每一类包含80幅图像，本实验分别在单个特征情况、多个特征情况上对本发明的方法进行精度对比。在单个特征情况下，本实验分别在颜色(Color)、方向梯度直方图(HOG)、词袋特征(BoW)等特征和所有已提取的特征上对NS、SVM-RFE、LP-Boost和本发明方法进行分类精度对比，其分类结果如图2所示，仿真结果表明：本发明方法在不同特征下的分类精度都比NS、SVM-RFE、LP-Boost方法高。

实验二：图像集the 102 category Oxford Flowers data set是英国常见的花卉的图像数据集，它包括102类花卉，每一类包含40到258幅图像，本实验分别在单个特征情况、多个特征情况上对本发明的方法进行精度对比。在单个特征情况下，本实验分别在颜色(Color)、方向梯度直方图(HOG)、词袋特征(BoW)等特征上对NS、SVM-RFE、LP-Boost和本发明方法进行分类精度对比，其分类结果如图3所示，仿真结果表明：本发明方法在不同特征下的分类精度都比NS和SVM方法高。

实验三：图像集the Caltech 101 dataset是加州理工学院用于测试识别算法的图像数据集，它包括101类图像，每一类包含40到800幅图像，图像的大小大约是300×200像素，本实验分别在单个特征情况、多个特征情况上对本发明的方法进行精度对比。在单个特征情况下，本实验分别在颜色(Color)、方向梯度直方图(HOG)、词袋特征(BoW)等特征上对NS、SVM-RFE、LP-Boost和本发明方法进行分类精度对比，其分类结果如图4所示，仿真结果表明：本发明方法在不同特征下的分类精度都比NS、SVM-RFE、LP-Boost方法高。

实验结果表明，本发明的方法的分类精度无论是在单个特征或者多特征相结合情况下均比高于现有的监督分类方法。

以上对本发明实施例所提供的基于字典学习的高清图像分类方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于字典学习的高清图像分类方法，其特征在于，包括如下步骤：

提取每张图像的颜色、纹理、形状、方向梯度直方图、词袋特征、尺度不变特征转换特征作为其视觉特征X＝[x₁,…,x_k]，k为视觉特征的数量；

对于所述的视觉特征，对高清图像样本进行稀疏编码，通过迭代方法不断进行字典学习，直到分类误差小于阈值，确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值；

依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别；

其中，对高清图像样本进行稀疏表示，得到图像样本相应的稀疏编码的过程包括：

对于高清图像的每一类别样本，其稀疏编码矩阵 为第p个类别的第j个图像样本的稀疏编码，C为高清图像样本的类别数，m_p为第p个类别的样本数，t为迭代次数，则稀疏编码矩阵A应满足

$\underset{{\{D^{p,t},A^{p,t}\}}_{p=\mathrm{1...}C}}{\&Sigma;}\underset{p=1}{\overset{C}{\&Sigma;}}\{{||X^p-D^{p,t}\&CenterDot;A^{p,t}||}_2^2+\mathrm{\&lambda;}\underset{i=1}{\overset{m_p}{\&Sigma;}}||{\mathrm{\&alpha;}}_i^{p,t}||\}$

其中，D^p,t为分类字典，λ为平衡参数，X^p为初始化字典。

2.如权利要求1所述的基于字典学习的高清图像分类方法，其特征在于，所述确定高清图像类别的分类字典和根据视觉特征对重构误差的影响度确定对应的权值包括：

初始化高清图像所有类别的分类字典D^p,0和视觉特征的权值ω^p,0；

对于初始化的分类字典D^p,0，使用迭代法不断对分类字典进行学习，使得分类误差少于阈值ε，得到最终的分类字典和视觉特征权值。

3.如权利要求1所述的基于字典学习的高清图像分类方法，其特征在于，所述初始化高清图像所有类别的分类字典D^p,0和视觉特征的权值ω^p,0具体包括：

对于每一个类别的高清图像样本，初始化字典为

视觉特征的权值为

${\mathrm{\&omega;}}^{p,0}={\left\{{\mathrm{\&omega;}}_i\right\}}_1^m,{\mathrm{\&omega;}}_i=1$

其中，x_i为高清图像的特征向量，m为特征值个数，n为自然数。

4.如权利要求1所述的基于字典学习的高清图像分类方法，其特征在于，所述对于初始化的分类字典D^p _, ⁰，使用迭代法不断对分类字典进行学习，使得分类误差少于阈值ε，得到最终的分类字典和视觉特征权值还包括：

对高清图像样本进行稀疏表示，得到图像样本相应的稀疏编码；

计算高清图像样本中每个类别的重构误差；

利用非线性规划理论对所有类别的重构误差进行优化，确定视觉特征的重要程度；

利用上述得到的特征重要度来更新视觉特征的权值和分类字典；

判断所有类别的重构误差总和是否小于阈值ε，如果不小于阈值，则返回步骤对高清图像样本进行稀疏表示，得到图像样本相应的稀疏编码，直到满足重构误差小于阈值条件为止。

5.如权利要求4所述的基于字典学习的高清图像分类方法，其特征在于，所述计算高清图像样本中每个类别的重构误差包括：

对于高清图像的每一类别样本，其重构误差为

$R^{p,t}\left(X^p\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\left|x_i^{p,t}-D^{p,t}\&CenterDot;{\mathrm{\&alpha;}}_i^{p,t}\right|$

其中n为自然数，D^p _, ^t为分类字典，为第p个类别的第j个图像样本的稀疏编码。

6.如权利要求4所述的基于字典学习的高清图像分类方法，其特征在于，所述利用非线性规划理论对所有类别的重构误差进行优化，确定视觉特征的重要程度包括：

对于高清图像样本的视觉特征，其重要程度矩阵为根据视觉特征越重要，重构误差越少的原则，特征重要度β^p _, ^t应满足

$\underset{{\left\{{\mathrm{\&beta;}}^{p,t}\right\}}_{p=\mathrm{1...}C}}{\min }\underset{p=1}{\overset{C}{\&Sigma;}}({\left({\mathrm{\&beta;}}^{p,t}\right)}^T\&CenterDot;R^{p,t}(X^p)-{\left({\mathrm{\&beta;}}^{c,t}\right)}^T\&CenterDot;R^{c,t}(X^p\left)\right)$

$\begin{array}{cc}s.t.& 0\&le;{\mathrm{\&beta;}}_j^{p,t}<1,\underset{j=1}{\overset{m}{\&Sigma;}}{\mathrm{\&beta;}}_j^{p,t}=1\end{array}$

为特征重要度。

7.如权利要求4所述的基于字典学习的高清图像分类方法，其特征在于，所述利用上述得到的特征重要度来更新视觉特征的权值和分类字典包括：

对于所得到的视觉特征和重要度β^p _, ^t，更新视觉特征的权值

${\mathrm{\&omega;}}_j^{p,i}=\left\{\begin{array}{c}{\mathrm{\&beta;}}_j^{p,i},{\mathrm{\&beta;}}_j^{p,i}<\mathrm{\&mu;}\\ 1,{\mathrm{\&beta;}}_j^{p,i}\&GreaterEqual;\mathrm{\&mu;}\end{array}\right.$

ω^p _, ^t＝ω^p _, ^t-1·ω^p _, ^t

和分类字典

D^p _, ^t＝D^p _, ^t-1·ω^p _, ^t-1

其中，为特征重要度，为更新后的视觉特征的权值。

8.如权利要求1所述的基于字典学习的高清图像分类方法，其特征在于，依据所述的高清图像类别的字典和视觉特征对应的权值建立图像非线性分类器，确定所述高清图像所属的类别，还包括：

根据所述的稀疏编码矩阵A、分类字典D和视觉特征的权重矩阵W，构建高清图像非线性分类器为：

$c^{*}=\arg \underset{p}{\min }{({\mathrm{\&omega;}}^{p,t^{*}-1}\&CenterDot;{\mathrm{\&beta;}}^{p,t^{*}})}^T\left|y-D^{p,t^{*}}\&CenterDot;{\mathrm{\&alpha;}}^{p,t^{*}}\right|$

其中，y为待分类的高清图像样本的视觉特征向量，t^*为最终的迭代次数，为特征重要度，D^p _, ^t为分类字典，为更新后的视觉特征的权值。