分类器设计的优化方案

2025-09-29 理论教育版权反馈

【摘要】：步骤1：利用同一类别所有训练样本的特征向量，构造该类别纹理的特征子空间。因此，和常用的最近邻分类器相比，本章采用的NSC分类器能够有效避免单个离群训练样本的干扰，从而获得更加准确、稳定的待识别样本的类别标记，最终能够提高纹理图像的识别精度。

为了对提取的纹理图像特征进行类别的判定，需要采用分类器对测试样本和所有训练样本的特征进行相似度的分析，本章采用最近子空间分类器（Nearest Subspace Classifier， NSC） [55]来识别测试样本的类别标签，其工作过程具体如下。

步骤1：利用同一类别所有训练样本的特征向量，构造该类别纹理的特征子空间。设训练样本集一共有C个纹理类别，其中第i个类别有n个训练样本，分别计算这n个训练样本的特征表示向量，然后把每个训练样本的特征表示向量作为一个列向量进行合并，从而构建一个矩阵Hi=[hi 1,hi2,,hin]，将该矩阵作为第i个纹理类别的特征子空间，用于描述该类纹理图像的整体特征。

步骤2：计算待识别的测试样本在每个类别特征子空间中的投影和投影残差。对于待识别的输入纹理样本y，按照与训练样本相同的方法计算该测试样本的特征值并转换成一个特征表示向量hy（列向量形式），把它依次投影到每类纹理的特征子空间中，计算出该测试样本在每个纹理类别特征子空间中的投影，即

然后利用投影系数和特征子空间矩阵进行特征重建，并利用L2范数计算待识别样本在每个类别特征子空间中的投影残差，即(https://www.chuimin.cn)

步骤3：对比当前测试样本在每个纹理类别特征子空间中的投影残差，确定投影残差最小的那个特征子空间，即与待识别样本特征距离最近的那个特征子空间，将该特征子空间对应的纹理类别作为待识别样本的类别标记，即

综上所述，NSC分类器是借助一个纹理类别所有训练样本的整体性、综合性特征对待识别纹理样本的特征进行判断，能够获得更加稳定的判别结果。在常用的最近邻分类器中，采取的方法是把测试样本的特征与单个训练样本的特征进行比较，在这种情况下类别判定的结果受单个训练样本特征的影响很大，导致识别结果的准确性降低。因此，和常用的最近邻分类器相比，本章采用的NSC分类器能够有效避免单个离群训练样本的干扰，从而获得更加准确、稳定的待识别样本的类别标记，最终能够提高纹理图像的识别精度。

分类器设计的优化方案

相关推荐