(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 202210690021.5 (22)申请日 2022.06.17 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 艾怡豪　袁浩亮　陈庭坚　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06T 1/00(2006.01) G06V 10/762(2022.01) (54)发明名称 一种图像二维特 征选择方法及系统 (57)摘要 本发明涉及图像处理领域， 提出一种图像二 维特征选择方法及系统， 包括获取图像数据； 提 取图像数据的二维矩阵； 对所述二维矩阵的噪声 数据进行低秩恢复， 得到恢复矩阵； 利用所述恢 复矩阵对所述二维矩阵进行回归 学习， 获取二维 矩阵的左投影矩阵和右投影矩阵； 根据所述左投 影矩阵和所述右投影矩阵， 获取特征选择矩阵， 并对所述特征选择矩阵添加稀 疏约束； 利用添加 稀疏约束后的特征选择矩 阵对图像数据进行特 征选择， 得到图像的二维特征子集。 本发明能够 在不增大图像数据的维度的同时， 在保留图像数 据的空间位置信息下对图像数据进行特征选择， 所选择特征能够更加准确地表征原本的图像信 息。 权利要求书4页 说明书9页 附图2页 CN 115034946 A 2022.09.09 CN 115034946 A 1.一种图像二维特 征选择方法， 其特 征在于， 包括： S1： 获取图像数据； S2： 提取图像数据的二维矩阵； S3： 对所述 二维矩阵的噪声数据进行低秩恢复， 得到恢复矩阵； S4： 利用所述恢复矩阵对所述二维矩阵进行回归学习， 获取二维矩阵的左投影矩阵和 右投影矩阵； S5： 对所述左投影矩阵和所述右投影矩阵进行矩阵重组， 得到特征选择矩阵， 并对所述 特征选择矩阵添加稀疏约束； S6： 利用添加稀疏约束后的特征选择矩阵对图像数据进行特征选择， 得到图像的二维 特征子集。 2.根据权利要求1所述的图像二维特征选择方法， 其特征在于， S3中， 采用矩阵恢复模 型对二维矩阵的噪声数据进行低秩恢复， 得到恢复矩阵Ai， 其表达式如下 所示： s.t.Y＝Z+E, Y＝[vec(X1),vec(X2),…,vec(Xt)], Z＝[z1,z2,…,zt]， Ai＝[matrix(z1),matrix(z2),...,matrix(zt)]， 其中， Y为由向量vec(Xi)构成的矩阵， vec( ·)表示将二维矩阵按列拉成一个列向量， Xi ∈Rm×n表示第i个二维矩阵样本(i＝1,2,...t)， m表示二维矩阵Xi的行数， n二维矩阵Xi的行 数， t表示二维矩阵的样本数； Z为Y的恢复矩阵， E为Y的噪声矩阵， φ(E)表示对噪声误差进 行先验约束； Ai为Xi的恢复矩阵， matrix( ·)表示将向量按列恢复成矩阵； γ和 λ分别为不同 的权重参数。 3.根据权利要求2所述的图像二维特征选择方法， 其特征在于， S4中， 利用所述恢复矩 阵Ai对所述二维矩阵进行回归学习， 获取二维矩阵的左投影矩阵U(r)和右投影矩阵V(r)， 其 表达式如下 所示： 其中， c表示总的标签类别数， r表示标签类别， l表示带有标签的二维矩阵样本数， Ai∈ Rm×n表示第i个二维矩阵的恢复矩阵， U(r)∈Rm×y为左投影矩阵， V(r)∈Rn×y为右投影矩阵， y为 可设定的超参数， br为第r类二维矩阵的偏移向量， Tr( ·)表示矩阵的迹， fir表示第i个二维 矩阵的恢复矩阵Ai关于第r类的聚类类标指示； 若Ai属于第r类恢复矩阵， 则fir＝1； 否则， fir ＝0。 4.根据权利要求3所述的图像二维特征选择方法， 其特征在于， S5中， 对所述左投影矩 阵和所述右投影矩阵进行矩阵重组， 具体包括： 将mn个左投影矩阵U(r)分别乘以mn个右投影矩阵V(r)的转置， 得到mn中间矩阵； 分别将 mn个中间矩阵按列拉成mn个列向量pi， 然后将mn个列向量pi按行排列， 得到特征选择矩阵P， 其表达式如下 所示： pi＝Vec(U(r)(V(r))T)权　利　要　求　书 1/4 页 2 CN 115034946 A 2P＝[p1,p2,…,pmn] 所述对特 征选择矩阵添加稀疏约束， 其表达式如下 所示： 其中,P为特征选择矩阵， pk为特征选择矩阵P中的第k个向量， k＝1,2, …,mn， p为可设定 的参数， α 为权重参 数， m表示恢复矩阵Ai的行数， n表示恢复矩阵Ai的列数， h表示 特征选择矩 阵P的第h行， h＝k， j表示特征选择矩阵P的第j列； 表示 用来对特征选择矩阵P进行行稀疏约束， ||pk||2反映Xi∈Rm×n在二维矩阵中的特征重要程 度， 每一个| |pk||2与二维矩阵Xi中的二维特 征一一对应。 5.根据权利要求 4所述的图像二维特 征选择方法， 其特 征在于， 所述方法还 包括： 在S4中， 针对无监督学习引入非负谱聚类模型， 根据所述恢复矩阵和非负谱聚类模型， 获取二维矩阵的聚类 类标矩阵， 其表达式如下 所示： s.t.FTF＝Ic,F≥0 其中， F为聚类 类标矩阵， L表示利用恢复矩阵Ai生成的拉普拉斯矩阵， Ic表示单位矩阵； 利用所述聚类类标矩阵， 对二维矩阵进行回归学习， 得到二维矩阵的左投影矩阵和右 投影矩阵， 其表达式如下 所示： s.t.FTF＝Ic， F≥0， X＝Z+E 。 6.根据权利要求5所述的图像二维特征选择方法， 其特征在于， S6中， 针对无监督学习， 利用添加稀疏约束后的特征选择矩阵对图像数据进行特征选择， 得到图像的二维特征子集 具体包括： 建立二维特征选取的目标函数， 其表达式如下 所示： s.t.FTF＝Ic， F≥0， X＝Z+E 采用交替方向乘子法对所述目标函数进行迭代更新， 得到特 征选取矩阵P的最优值； 根据矩阵P的最优值， 计算出||pk||2的数值， 并对||pk||2的数值按照从大到小进行排 序； 选取前S个||pk||2对应的S个二维矩阵特征构成图像的二维特征子集 S为正整 数。权　利　要　求　书 2/4 页 3 CN 115034946 A 3