买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江理工大学申请的专利基于多层级逼近式字典学习的快速图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119380072B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411315504.2，技术领域涉及：G06V10/764；该发明授权基于多层级逼近式字典学习的快速图像分类方法是由吕文涛;靳文哲设计研发完成，并于2024-09-20向国家知识产权局提交的专利申请。

本基于多层级逼近式字典学习的快速图像分类方法在说明书摘要公布了：本发明公开了基于多层级逼近式字典学习的快速图像分类方法：S1、选取图像数据集；S2、对图像进行预处理，生成图像样本集；S3、构建监督式字典学习模型；S4、采用拉普拉斯特征映射对稀疏系数进行局部不变性约束；S5、引入类内差异抑制项对字典模型进行约束；S6、构建分类标签矩阵；S7、构建分类误差约束项；S8、对目标函数进行求解，对稀疏系数、线性分类模型参数和字典进行迭代更新；S9、根据更新的稀疏系数和字典计算误差；S10、判断是否满足迭代收敛条件，若满足，则输出最优判别字典和最优线性分类模型参数，否则执行S5；S11、采用分类误差约束项作为线性分类器进行图像分类。本发明收敛速度和运行时间更快，图像分类准确率更高。

本发明授权基于多层级逼近式字典学习的快速图像分类方法在权利要求书中公布了：1.基于多层级逼近式字典学习的快速图像分类方法，其特征是包括如下步骤： S1、选取图像数据集； S2、采用特征提取法对图像进行预处理，生成图像样本集； S3、构建监督式字典学习模型； S4、采用拉普拉斯特征映射对稀疏系数进行局部不变性约束； S5、引入类内差异抑制项对字典学习模型进行约束； S6、构建分类标签矩阵； S7、构建分类误差约束项； S8、采用解析法对目标函数进行求解，对稀疏系数、线性分类模型参数和字典进行迭代更新； S9、根据更新的稀疏系数和字典计算误差； S10、判断判断字典和线性分类模型参数是否满足迭代收敛条件，若满足，则输出最优判别字典Dlen和最优线性分类模型参数Rlen，否则返回执行步骤S5； S11、采用分类误差约束项作为线性分类器进行图像分类； 步骤S3中，设样本数据为：，字典矩阵为：； 其中，表示实数集，n表示数据维度，N表示样本yi的个数，i=1,2,…,N；K表示字典原子dj的个数，j=1,2,…,K; 采用L2范数对字典模型进行约束，即：； 其中，表示稀疏系数，λ是一个非负正则参数；将字典学习的目标函数改写为： 其中，表示稀疏系数矩阵，F表示F范数，D*和S*分别表示更新后的字典矩阵和稀疏系数矩阵； 根据训练样本的类别标签信息，构建如下监督式字典学习模型： 设数据样本表示为：Y=[y1,y2,y3,y4,y5,y6,y7,y8,y9]，当样本𝑦1、𝑦2和𝑦3来自第1类，𝑦4、𝑦5和𝑦6来自第2类，𝑦7、𝑦8和𝑦9来自第3类时，标签矩阵定义为： 其中，矩阵A中的每个对角块表示每个类的一个子空间，扩展到N个样本中，矩阵A定义为：，表示矩阵A中的元素，i=1,2,…,N; 设置字典的原子数量K等于样本数量N，因此监督式字典学习模型的目标函数重新表示为： 其中，字典矩阵，稀疏系数矩阵，α为标签约束项的正则参数，α0； 步骤S4中，在训练样本Y上使用kNN算法，以构建无向图G；将每一个样本yi看作一个点，通过kNN算法计算距离最近的k个点，kN在样本yi与这k个点之间各构建一条边，即yi,yj；构建的拉普拉斯矩阵为：L=M-W； 其中，为拉普拉斯矩阵，表示无向图G的权重矩阵，表示无向图G的度矩阵，且M为对角矩阵；采用高斯核函数法计算权值wij： 其中，𝜎为高斯核函数的带宽参数，𝜎0，度矩阵𝑀的对角元素Mii表示为：； 拉普拉斯特征映射优化的目标函数如下： 其中，tr•是求•矩阵的迹；将拉普拉斯特征映射约束作为正则项加入字典的目标函数中，构建的局部不变性的字典学习模型如下： 其中，𝛽为拉普拉斯特征映射约束项的正则参数，𝛽0； 步骤S5中，设训练样本Y包含N个样本，C个不同的类别，每个类别的样本数量为xc=1,2,…,C,则；令每类训练样本对应的稀疏系数子矩阵为； 其中，稀疏系数矩阵S的更新采用逐列更新；同一类别中不同稀疏系数拥有不同的类内稀疏均向量μi，即： 其中，t表示迭代次数； 通过最小化稀疏表示的类内稀疏均方差，使得来自同一类别的目标向类内稀疏均向量聚集；因此得到： 其中，𝛾为类内差异抑制性约束项的正则参数，𝛾0。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江理工大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街928号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。