技術(shù)特征：

1.一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：包括如下步驟：

1)將無(wú)標(biāo)簽圖像作為輸入圖像，并隨機(jī)抽取圖像塊構(gòu)成大小相同的無(wú)標(biāo)簽圖像集；

2)采用K-means算法提取一次最佳聚類(lèi)中心；

3)構(gòu)建特征映射函數(shù)，提取無(wú)標(biāo)簽圖像集的圖像特征；

4)進(jìn)行池化操作與歸一化處理；

5)采用K-means算法提取二次最佳聚類(lèi)中心，并采用卷積操作，提取最終圖像特征，對(duì)最終圖像特征進(jìn)行標(biāo)準(zhǔn)化處理；

6)通過(guò)分揀器對(duì)經(jīng)過(guò)標(biāo)準(zhǔn)化處理的最終圖像特征進(jìn)行分類(lèi)。

2.根據(jù)權(quán)利要求1所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：21)設(shè)定k個(gè)初始的聚類(lèi)中心{μ₁,μ₂,μ₃…μ_k}，k為自然數(shù)，建立初始化的準(zhǔn)則函數(shù)

$J\left(\mathrm{\μ}\right)=\underset{i=1}{\overset{n}{\Σ}}\left|\right|x^{\left(i\right)}-{\mathrm{\μ}}_j|{|}^2,$

其中，μ_j為每一個(gè)樣本x⁽ⁱ⁾對(duì)應(yīng)的聚類(lèi)中心，j＝1～k，i為自然數(shù)，且i＞j；x⁽ⁱ⁾表示n個(gè)無(wú)標(biāo)簽圖像集中的樣本，n為自然數(shù)，表示無(wú)標(biāo)簽圖像集中樣本的個(gè)數(shù)。

22)依次求取每一個(gè)樣本x⁽ⁱ⁾到所有初始的聚類(lèi)中心{μ₁,μ₂,μ₃…μ_k}的距離的最小值，記為該樣本的類(lèi)別標(biāo)簽c⁽ⁱ⁾，將該樣本x⁽ⁱ⁾歸為c⁽ⁱ⁾類(lèi)，再根據(jù)所述類(lèi)別標(biāo)簽c⁽ⁱ⁾更新計(jì)算聚類(lèi)中心，得到過(guò)程聚類(lèi)中心μ_j′，j＝1～k；

c⁽ⁱ⁾＝argmin||x⁽ⁱ⁾-μ′_j||

${\mathrm{\μ}}_j=\frac{{\Σ}_{i=1}^{n}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\Σ}_{i=1}^{n}1\{c^{\left(i\right)}=j\}}$

23)將所有所述過(guò)程聚類(lèi)中心μ′_j帶入準(zhǔn)則函數(shù)計(jì)算，判斷準(zhǔn)則函數(shù)是否收斂，否則返回步驟22)，是則將至步驟24)；

24)將過(guò)程聚類(lèi)中心μ′_j確定為一次最佳聚類(lèi)中心{μ′₁,μ′₂,μ′₃…μ′_k}，將每一個(gè)樣本x⁽ⁱ⁾歸類(lèi)至距離最近的聚類(lèi)中心，記為x_j⁽ⁱ⁾，每一個(gè)樣本x⁽ⁱ⁾到距離最近的聚類(lèi)中心的類(lèi)別標(biāo)簽記為c_j⁽ⁱ⁾。

3.根據(jù)權(quán)利要求2所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：所述步驟3)的具體步驟為：定義樣本x⁽ⁱ⁾的特征映射函數(shù)，提取特征向量y⁽ⁱ⁾，其中h(z)表示每一類(lèi)中所有樣本到聚類(lèi)中心的距離的平均值，Z_j⁽ⁱ⁾表示每一類(lèi)中的每一個(gè)樣本x⁽ⁱ⁾到對(duì)應(yīng)的聚類(lèi)中心的距離；

$\begin{array}{c}{y}^{\left(i\right)}=f_k\left(x\right)=\max \{0,h\left(z\right)-Z_j^{\left(i\right)}\}\\ Z_j^{\left(i\right)}=\left|\right|x^{\left(i\right)}-{\mathrm{\μ}}_j|{|}_2\end{array}\mathrm{..}$

4.根據(jù)權(quán)利要求3所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：所述步驟4)中歸一化處理的公式為：

${\hat{y}}^{\left(i\right)}=(y^{\left(i\right)}-mean(y^{\left(i\right)}\left)\right)/\sqrt{\mathrm{var}\left(y^{\left(i\right)}\right)+\mathrm{\σ}}$

y⁽ⁱ⁾是樣本圖像塊的特征向量，var和mean表示方差和均值，σ是去噪常量，是標(biāo)準(zhǔn)化處理后的圖像塊的特征向量。

5.根據(jù)權(quán)利要求4所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：所述步驟5)的具體過(guò)程包括：

51)設(shè)定p個(gè)初始的聚類(lèi)中心{μ₁,μ₂,μ₃…μ_p}，p為自然數(shù)，重復(fù)步驟2)，得到二次最佳聚類(lèi)中心{μ′₁,μ′₂,μ′₃…μ′_p}；

52)采用卷積操作，提取最終圖像特征卷積公式為：

${\tilde{y}}^{\left(i\right)}={\hat{y}}^{\left(i\right)}*{\mathrm{\μ}}_l$

其中為最終圖像特征，μ_l為二次最佳聚類(lèi)中心，l＝1～p；

53)對(duì)最終圖像特征進(jìn)行歸一化處理，歸一化處理的公式同步驟4)。

6.根據(jù)權(quán)利要求1所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：所述步驟1)與步驟2)之間還包括對(duì)無(wú)標(biāo)簽圖像集進(jìn)行歸一化和白化處理的預(yù)處理步驟。

7.根據(jù)權(quán)利要求6所述的一種基于K-means與深度學(xué)習(xí)的圖像分類(lèi)算法，其特征在于：所述白化處理的具體過(guò)程包括：

A)計(jì)算協(xié)方差矩陣∑

其中，表示歸一化處理后的表示無(wú)標(biāo)簽圖像集中的樣本，n為表示無(wú)標(biāo)簽圖像集中樣本的個(gè)數(shù)，

B)令協(xié)方差矩陣∑的特征向量U為U＝[u₁,u₂…u_n]，U^TU＝I，特征向量u₁,u₂…u_n構(gòu)成一個(gè)基向量，用來(lái)映射數(shù)據(jù)，表示旋轉(zhuǎn)后的圖像，輸入歸一化處理后的無(wú)標(biāo)簽圖像集中的樣本以特征向量U為基表示為

C)設(shè)協(xié)方差矩陣∑的特征值為λ₂,…,λ_n，則PCA白化后的圖像為

其中ε表示為平滑圖像塊的常量。