技术特征：
1.一种图像识别方法，基于四元数广义核稀疏主成分分析，其特征在于，所述方法包括：获取训练样本集和测试样本集图像；提取每幅训练样本图像的熵、红、绿、蓝四个分量信息，并对其进行四元数矩阵表示，以构造与之对应的四元数实表示矩阵；根据所述四元数实表示矩阵，构建该四元数实表示的协方差核矩阵和四元数p范数欧氏距离，其中p是任意非负值；根据所述四元数实表示的协方差核矩阵和四元数p范数欧式距离，构建四元数广义核稀疏主成分分析优化模型；对所述优化模型求解，将计算得到的训练样本行、列方向的核稀疏主成分作为其最终解；根据所述模型行、列方向的核稀疏主成分，分别计算所述训练样本四元数协方差核矩阵的投影矩阵和测试样本四元数协方差核矩阵的投影矩阵；基于所述四元数p范数欧式距离，根据所述投影矩阵识别测试样本集中图像所属的类别；输出所述图像类别。2.根据权利要求1所述的图像识别方法，其特征在于，所述“提取每幅训练样本图像的熵、红、绿、蓝四个分量信息”步骤之前还包括：对样本集中的每幅图像都表示为固定大小的矩阵，其中，所述样本集包括训练样本集和测试样本集。3.根据权利要求1所述的图像识别方法，其特征在于，所述“提取每幅训练样本图像的熵、红、绿、蓝四个分量信息，并对其进行四元数矩阵表示，以构造与之对应的四元数实表示矩阵”具体包括：提取第n张样本图像对应的熵、红、绿、蓝四个分量信息，分别记为e
n
、r
n
、g
n
、b
a
，其中n＝1，2，...，l，l是所述训练样本集中的图像个数；根据所述四个分量信息，该样本图像的四元数矩阵表示为：p
n
＝e
n
+r
n
i+g
n
j+b
a
k，其中，p
n
∈q
h
×
w
为第n个四元数矩阵，h
×
w是训练样本图像对应的矩阵大小，i、j、k表示四元数的三个虚单元；利用四元数保结构理论构造所述四元数矩阵p
n
的实表示矩阵m
n
。4.根据权利要求1所述的图像识别方法，其特征在于，所述“构建该四元数实表示矩阵的四元数协方差核矩阵和四元数p范数欧氏距离”具体包括：根据所述训练样本集和测试样本集，构建对应的四元数实表示矩阵，记为x
train
和x
test
；将所述四元数实表示矩阵投影到高维四元数特征空间中，以计算该训练样本集和测试样本集的四元数协方差核矩阵，分别表示为：样本集的四元数协方差核矩阵，分别表示为：其中，表示由x
train
投影以后的训练图像，表示为的共轭转置矩阵，表示由x
test
投影以后的测试图像，表示为的共轭转置矩阵；所述四元数实表示矩阵m
n
的p范数欧氏距离为：的p范数欧氏距离为：其中，非负参数p代表所述四元数p范数，e
n
、r
n
、g
n
、b
n
分别代表四元数的一个实部和三个虚
部。5.根据权利要求1所述的图像识别方法，其特征在于，所述“构建四元数广义核稀疏主成分分析优化模型”具体包括：定义训练样本行、列方向的核稀疏主成分矩阵：u＝[u1，
…
，u
k
]∈q
4t
×
4t
，v＝[v1，
…
，v
s
]∈q
4t
×
4t
，u和v都是分别由k列和s列四元数特征向量组成的；对于任意的非负参数μ1，μ2，λ3，λ4和μ
i
(1≤i≤k)，λ
m
(1≤m≤s)，若所述行列核稀疏主成分矩阵u和v满足分矩阵u和v满足分矩阵u和v满足分矩阵u和v满足则其中，w是权重系数，他是分别对φ
rtrain
和φ
ctrain
进行四元数cholesky分解的结果，φ
rtrain
表示按行方向计算得到的四元数协方差核矩阵，φ
ctrain
表示按列方向计算得到的四元数协方差核矩阵，分别表示寻找k个最优u
i
和s个最优v
m
使得所述模型的散度最大化，参数μ
i
和λ
m
分别表示对该模型行、列方向的散度调整。6.根据权利要求5所述的图像识别方法，其特征在于，所述方法还包括：对所述四元数广义核稀疏主成分分析优化模型求解采用了基于交替方向乘子法的四元数保结构算法。7.根据权利要求6所述的图像识别方法，其特征在于，所述方法还包括：所述基于交替方向乘子法的四元数保结构算法选取的迭代初始值采用随机生成满足正态分布的数据作为迭代初始值或基于四元数实表示矩阵的幂法与反幂法循环迭代得到的数据作为迭代初始值。8.根据权利要求1所述的图像识别方法，其特征在于，所述“根据所述模型行、列方向的最终解，分别计算所述训练样本四元数协方差核矩阵的投影矩阵和测试样本四元数协方差核矩阵的投影矩阵”具体包括：所述训练样本四元数协方差核矩阵φ
train
的投影矩阵的投影矩阵其中，j＝1，2，...，t，v＝1，2，...，k，k表示训练样本集的前k个核稀疏主成分；所述测试样本四元数协方差核矩阵φ
test
的投影矩阵其中，g＝1，2，...，m，m表示测试样本集的前m个核稀疏主成分。9.根据权利要求8所述的图像识别方法，其特征在于，所述“利用所述四元数p范数欧式距离以识别测试样本集中图像所属类型”具体包括：根据所述训练样本四元数协方差核矩阵的投影矩阵找到与所述测试样本四元数协方差核矩阵的投影矩阵p
test
最接近的训练样本四元数协方差核矩阵的投影矩阵使其满足使其满足以确定测试样本集中图像的类别c，其中，为所述四元数p范数的欧式距离，p可根据
不同的待测图像进行相应调整。10.一种图像识别系统，基于四元数广义核稀疏主成分分析，其特征在于，所述系统包括处理器和存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行如权利要求1-9任意一项所述基于四元数广义核稀疏主成分分析的图像识别方法的步骤。11.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时候实现如权利要求1-9任意一项所述基于四元数广义核稀疏主成分分析的图像识别方法。
技术总结
本发明公开了一种图像识别方法，基于四元数广义核稀疏主成分分析，所述方法包括：获取训练和测试样本图像；提取每幅图像的熵、红、绿、蓝四个分量信息，并对其进行四元数矩阵表示，以构造与之对应的四元数实表示矩阵；根据四元数实表示矩阵，构建对应的四元数协方差核矩阵和四元数p范数欧氏距离，进而构建四元数广义核稀疏主成分分析优化模型；对所述优化模型求解，将计算得到的训练样本行、列方向的核稀疏主成分作为其最终解；根据所述模型行、列方向的最终解，分别计算训练和测试样本协方差核矩阵的投影矩阵；利用所述四元数p范数欧式距离以识别测试样本集中图像所属的类别，该方法提高了识别准确率和鲁棒性。法提高了识别准确率和鲁棒性。法提高了识别准确率和鲁棒性。
技术研发人员：马鑫斌 凌燕 姬洋 侯雪飞
受保护的技术使用者：飞依诺科技股份有限公司
技术研发日：2022.12.28
技术公布日：2023/3/10