1.一种基于多样本字典学习和局部约束编码的图像分类方法，其特征在于，包括以下步骤：步骤S1：计算机输入数据集，该数据集是对公认图像集合的特征提取，是.m文件，该文件包含所有图片的特征信息与标签信息，并将数据集划分为训练样本Ytrain和测试样本Ytest；

步骤S2：计算机使用训练样本Ytrain生成虚拟训练样本Yvirtual_train；

步骤S3：计算机使用K‑SVD算法，对训练样本Ytrain计算初始化字典D0；

步骤S4：计算机使用训练样本Ytrain、虚拟训练样本Yvirtual_train以及初始化字典Do迭代生成字典D和训练样本的编码矩阵Xtrain；

步骤S5：计算机使用字典D计算测试样本的局部约束编码矩阵Xtest；

步骤S6：计算机使用训练样本的编码矩阵Xtrain计算线性分类器稀疏矩阵W，其计算公式T T ‑1为W＝HXtrain(XtrainXtrain+I) ，其中H为数据集中提供的标签矩阵；

步骤S7：计算机使用线性分类器矩阵W对测试样本的编码矩阵Xtest进行图像分类，输出图像分类结果；

所述步骤S3计算机使用K‑SVD算法，对训练样本Ytrain计算初始化字典D0，具体包括：(1)在训练样本Ytrain中随机挑选K个样本，组成初始字典矩阵D0，初始化矩阵系数Xtrain全为0；

(2)计算D0与每个样本yi的点积，假设所有点积中最大值对应的原子为d1, 利用最小二乘法通过等式y‑b·d1＝0，求解系数b，并根据公式y'＝y‑b·d计算残差y'；如果y'小于固定的阈值，则执行(3)，否则计算字典中除d1以外其他原子中与y'的点积最大的向量，假设为d2，利用最小二乘法通过公式y‑b·d1‑c·d2＝0，求解系数c，并根据公式y'＝y‑b·d1‑c·d2更新残差y'，如果y'小于固定的阈值，则执行(3)，否则继续循环，最终所有的系数组成样本yi的系数向量xi,所有的xi组成系数矩阵X；

(3)将原子向量进行分解，即 剥离第k个原子向量对D0X的贡献，此时误差矩阵为 去除Ek中对应xk为0项对应的部分；

T

(4)对Ek进行SVD分解，即Ek＝UΔV；

(5)判断是否达到停止条件，满足则退出优化，否则继续执行(2)～(4)；

所述步骤S4用训练样本Ytrain、虚拟训练样本Yvirtual_train以及初始化字典Do迭代生成字典D和训练样本的编码矩阵Xtrain，具体包括：

3.1通过求解下面目标函数：

可以得

到字典和训练样本系数的求解公式分别为：

T T T T ‑1

D＝(YtrainX+αYvirtual_trainX)(XX+αXX)T T ‑1 T T

Xtrain＝(DD+αDD+βI) (DYtrain+αDYvirtual_train)K表示字典D的列数，即字典原子的个数，字典D相当于一个矩阵，每一列构成一个字典原子；

为了学习一个鲁棒的字典，采用交替的方法对字典和编码系数进行更新，直到满足收敛条件，其中，第i次的值作为第i+1次的输入；

α和β是正则化系数，其中α＝1，β＝0.0001；

所述步骤S4通过字典D计算测试样本的编码系数,具体包括：

4.1通过求解下面目标函数：

T 2 ‑1 T

可得到编码矩阵Xtest的计算公式为Xtest＝(D D+γdiag(P)) DYtest，其中P表示字典D与测试样本Ytest之间的距离关系，即局部信息，它的计算公式为：此外，σ＝1，γ＝0.0001， 表示测试样本Ytest与字典D之间的欧式距离；

所述步骤S5通过编码系数Xtrain计算线性分类器系数矩阵W的步骤具体包括：

5.1对于一个分类器f(X)，可以通过解决以下函数模型来获得：C×n T C

其中，H＝[h1,...,hn]∈R (hi＝[0,...,1,...0]∈R)是训练样本的标签信息，每一个列向量hi的非零元素的位置代表了当前训练样本所属的类别信息，Γ是损失函数，μ是正则化系数，通过求解上述函数模型，分类器系数矩阵W可以通过以下公式计算得到：T T ‑1

W＝HXtrain(XtrainXtrain+I) 。

2.根据权利要求1所述的一种基于多样本字典学习和局部约束编码的图像分类方法，其特征在于，所述步骤S2根据训练样本Ytrain生成虚拟训练样本Yvirtual_train的公式具体包括：Yvirtual_train(p,q)＝Ytrain(p,Q‑q+1)，(p＝1,...,P；q＝1,...Q)其中，Ytrain(p,q)和Yvirtual_train(p,q)分别表示训练样本和虚拟样本的第p行，第q 列元素。