本文關(guān)鍵詞：基于子空間學(xué)習(xí)和稀疏編碼的圖像分類算法研究　出處：《北京交通大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 稀疏編碼 正交平滑子空間 粒子群優(yōu)化 重構(gòu)誤差 降維 圖像分類

【摘要】：隨著多媒體和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,圖像信息呈現(xiàn)出爆炸式的增長,如何在海量數(shù)據(jù)中快速尋找到所需要的數(shù)據(jù)已成為亟待解決的問題。圖像分類技術(shù)通過對圖像數(shù)據(jù)進行分析處理,自動檢索分類出圖片,滿足人們的需求。因此,對圖像分類的研究具有十分重要的理論意義和應(yīng)用價值。本文使用圖像的SIFT特征和像素特征,分別從高維數(shù)據(jù)降維、尋優(yōu)子空間以及重構(gòu)誤差分類的角度對圖像分類進行了細致深入的研究,主要工作包括：(1)圖像分塊可以更好的利用圖像像素間的空問信息,獲得更多的細節(jié)。因此,我們提出一種基于分塊子空間的圖像分類算法。并針對傳統(tǒng)的數(shù)學(xué)推導(dǎo)無法獲得分類問題的精確解的問題,提出了通過粒子群算法求解的子空間尋優(yōu)模型。此方法使用粒子群算法對分塊的子空間模型進行尋優(yōu)處理,最終得到一個優(yōu)化的子空間,并實現(xiàn)圖像分類；(2)為了克服高維數(shù)據(jù)對于圖像分類帶來的分類精確度低、計算復(fù)雜度高的問題,提出了一種基于稀疏編碼的正交平滑子空間的圖像分類算法,將圖像從高維空間變換到低維空間。此算法首先提取圖像的SIFT特征,對此特征進行稀疏編碼,再對編碼矩陣進行最大池特征提取,最終獲得對圖像的一個高維特征描述,最后通過正交平滑子空間算法將這些高維的特征向量在正交平滑子空間中降維處理。實驗驗證了所提算法的有效性；(3)基于稀疏編碼的圖像分類算法,在訓(xùn)練字典的過程中并沒有充分利用選取的訓(xùn)練數(shù)據(jù)的類別信息,這也就使得字典是無監(jiān)督的。為了充分利用已知的先驗信息,提出了一種有監(jiān)督的重構(gòu)誤差分類算法。通過在字典訓(xùn)練過程中加入類別信息的方法獲得更有效的字典描述,并采用重構(gòu)誤差最小化準(zhǔn)則對圖像進行分類,實驗結(jié)果表明,該算法可以有效的改善分類性能。
[Abstract]:With the rapid development of multimedia and Internet technology, image information shows an explosive growth. How to quickly find the needed data in the massive data has become an urgent problem. Image classification technology through image data analysis and processing, automatic retrieval and classification of images. Therefore, the research of image classification has very important theoretical significance and application value. In this paper, the SIFT feature and pixel feature of image are used to reduce the dimension from high-dimensional data. The optimization subspace and reconstruction error classification are studied in detail. The main work includes: 1) Image segmentation can make better use of spatial information between pixels. Therefore, we propose an image classification algorithm based on block subspace, and aim at the problem that traditional mathematical derivation can not obtain the exact solution of the classification problem. A subspace optimization model based on particle swarm optimization (PSO) algorithm is proposed in this paper. The PSO algorithm is used to optimize the sub-space model of blocks, and finally an optimized subspace is obtained and the image classification is realized. 2) in order to overcome the problems of low classification accuracy and high computational complexity brought by high-dimensional data for image classification, an image classification algorithm based on sparse coding in orthogonal smooth subspace is proposed. The image is transformed from high-dimensional space to low-dimensional space. Firstly, the SIFT feature of the image is extracted, the feature is sparse coded, and then the maximum pool feature is extracted from the coding matrix. Finally, a high-dimensional feature description of the image is obtained. Finally, these high-dimensional feature vectors are reduced in the orthogonal smoothing subspace by orthogonal smoothing subspace algorithm. The experimental results show the effectiveness of the proposed algorithm. 3) the image classification algorithm based on sparse coding does not make full use of the class information of the selected training data in the process of training dictionary. This makes dictionaries unsupervised in order to take full advantage of known prior information. A supervised reconstruction error classification algorithm is proposed to obtain a more effective dictionary description by adding category information into the dictionary training process, and the reconstruction error minimization criterion is used to classify images. Experimental results show that the proposed algorithm can effectively improve the classification performance.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 晁永國;戴芳;韓舒然;何靜;;改進的非負稀疏編碼圖像基學(xué)習(xí)算法[J];計算機工程與科學(xué);2010年01期

2 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測中的應(yīng)用[J];廈門大學(xué)學(xué)報(自然科學(xué)版);2010年02期

3 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應(yīng)用科學(xué)學(xué)報;2012年03期

4 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學(xué)習(xí)的圖像分類算法[J];上海交通大學(xué)學(xué)報;2012年11期

5 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學(xué)學(xué)報(工學(xué)版);2013年03期

6 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

7 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學(xué)報;2013年11期

8 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術(shù);2013年23期

9 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計算機科學(xué);2014年08期

10 錢樂樂;高雋;謝昭;;一種融合神經(jīng)稀疏編碼機制的層次目標(biāo)識別算法[J];中國圖象圖形學(xué)報;2010年10期

相關(guān)會議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負稀疏編碼收縮技術(shù)實現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

2 劉揚;程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

3 張瑩瑩;梁培基;;視網(wǎng)膜神經(jīng)元的高效信息處理[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學(xué);2014年

2 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關(guān)鍵技術(shù)及應(yīng)用[D];華南理工大學(xué);2015年

3 李清勇;視覺感知的稀疏編碼理論及其應(yīng)用研究[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2006年

4 季昊;稀疏編碼研究及其在模式識別中的應(yīng)用[D];北京郵電大學(xué);2012年

5 孫俊;人臉圖像分析和識別方法研究[D];清華大學(xué);2001年

6 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學(xué);2014年

7 羅敏楠;T-S模糊推理系統(tǒng)的結(jié)構(gòu)稀疏編碼辨識理論與方法[D];清華大學(xué);2014年

8 謝錦生;基于動態(tài)感知與異常注意的目標(biāo)描述方法研究[D];中國科學(xué)技術(shù)大學(xué);2012年

9 劉小白;圖像及視頻語義解析的關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2012年

10 丁昕苗;基于多示例學(xué)習(xí)的恐怖視頻識別技術(shù)研究[D];中國礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 柏文強;基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學(xué);2015年

2 李明;目標(biāo)檢測與識別算法研究與應(yīng)用[D];中央民族大學(xué);2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學(xué);2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場景分類[D];西安電子科技大學(xué);2014年

5 覃曉冰;基于稀疏編碼的語音去噪技術(shù)研究[D];電子科技大學(xué);2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗證中的應(yīng)用研究[D];電子科技大學(xué);2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學(xué);2014年

8 黃成;基于非負稀疏編碼的視頻拷貝檢測方法研究[D];湘潭大學(xué);2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強算法的研究[D];南京郵電大學(xué);2015年

10 丁文秀;基于分層深度學(xué)習(xí)的行人分類方法研究[D];合肥工業(yè)大學(xué);2015年

，

本文編號：1380863