本文選題：稀疏表示 + 重構樣本�。� 參考：《安徽大學》2016年碩士論文

【摘要】：隨著互聯(lián)網與智能終端的迅速普及,圖像數據迅速增長。由于圖像數據未經全部標注,導致圖像的分類存儲和查找不方便,如何將海量的圖像有效地進行分類,已經成為圖像處理研究領域的一個熱點方向。稀疏表示應用在圖像分類問題中是圖像處理中的一個重要分支。稀疏表示以其簡潔模型迅速吸引了大量學者的注意,通過稀疏表示求解的系數向量,在每個子類字典中重構樣本,然后記錄測試樣本減去所有重構樣本的殘差,找到最小的殘差對應的子字典的類,作為測試樣本的預測標簽,這種圖像分類的方法直觀,對于有較好的字典樣本,通過系數就能直觀的觀察到測試樣本與哪些類相關。本文對稀疏表示在圖像分類問題中的應用進行了深入研究,所做的主要工作和特點如下：(1)提出一種基于重構樣本稀疏表示的圖像分類算法。算法是通過產生一個重構的中間樣本進行分類。針對現(xiàn)有的基于稀疏表示的圖像分類中存在的不是所有信息都可以用來分類的問題,提出了一種將測試樣本投影到訓練樣本上,丟棄訓練樣本中沒有表示出來的信息,再用重構之后的樣本來分類,解決了不能被訓練樣本表示的信息對分類的影響。為了取得更優(yōu)秀的結果,實驗中所有的訓練樣本和測試樣本都先通過Gabor濾波器提取局部特征。實驗驗證了提出的算法具有有效性。(2)提出一種結合字典對和重構樣本的稀疏表示應用于人臉圖像分類的算法。對于圖像的分類與識別來說,獲得具有良好區(qū)分能力的字典是至關重要的。針對現(xiàn)有的基于稀疏表示的人臉圖像分類中,求解具有區(qū)分能力字典的復雜度過高以及測試樣本不能被字典全部表示出來的問題,提出了結合字典對學習與樣本重構的稀疏表示用于圖像分類。對于訓練樣本和測試樣本在訓練字典之前,利用Gabor濾波器提取不同方向,不同尺度的特征作為訓練字典的原始輸入,然后使用解析字典來輔助獲得具有區(qū)分能力的綜合字典,再將測試樣本投影到獲得的字典上,最后用基于綜合字典上重構的樣本來分類,減少了不能被字典表示的信息對分類的影響,提升分類的準確率。實驗結果表明,在三個具有代表性的人臉數據集中,DPL ICSRIR方法能較好地分類人臉圖像。
[Abstract]:With the rapid popularity of the Internet and intelligent terminals, image data is growing rapidly. Because the image data is not annotated completely, it is not convenient to store and find the image classification. How to classify the massive images effectively has become a hot topic in the field of image processing. Sparse representation is an important branch of image processing in image classification. The sparse representation has attracted the attention of a large number of scholars because of its concise model. Through sparse representation of the solved coefficient vector, the samples are reconstructed in each subclass dictionary, and the test samples are recorded to subtract the residuals of all the reconstructed samples. The method of image classification is intuitionistic to find the class of sub-dictionary corresponding to minimum residual error as the prediction label of test sample. For a good dictionary sample, we can intuitively observe which classes the test sample is related to through the coefficient. In this paper, the application of sparse representation in image classification is deeply studied. The main work and characteristics are as follows: 1) an image classification algorithm based on reconstructed sparse representation of samples is proposed. The algorithm is classified by generating a reconstructed intermediate sample. In order to solve the problem that not all the information can be used to classify the existing image classification based on sparse representation, a test sample is projected onto the training sample and the information that is not represented in the training sample is discarded. The effect of the information that can not be represented by the training samples on the classification is solved by using the reconstructed samples. In order to obtain better results, all the training samples and test samples are firstly extracted by Gabor filter. Experimental results show that the proposed algorithm is effective. (2) A new algorithm for face image classification is proposed, which combines dictionary pairs with sparse representation of samples. For image classification and recognition, it is very important to obtain dictionaries with good distinguishing ability. In the existing face image classification based on sparse representation, the complexity of the discriminative dictionary is too high and the test samples can not be completely represented by the dictionary. A sparse representation of learning and sample reconstruction is proposed for image classification. For training samples and test samples, before training dictionaries, Gabor filters are used to extract features of different directions and scales as the original input of the training dictionaries, and then analytic dictionaries are used to assist in obtaining comprehensive dictionaries with distinguishing ability. Then the test samples are projected onto the obtained dictionaries, and finally the samples reconstructed on the synthetic dictionaries are used to classify, which reduces the influence of the information that can not be represented by the dictionary on the classification, and improves the accuracy of classification. The experimental results show that the DPL ICSRIR method can be used to classify face images in three representative face datasets.
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農業(yè)工程學報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數的特征相關性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

相關會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

相關博士學位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質翻譯后修飾位點與藥物適應癥預測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數據收集、復原與壓縮研究[D];北京工業(yè)大學;2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學;2015年

7 解虎;高維小樣本陣列自適應信號處理方法研究[D];西安電子科技大學;2015年

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學;2014年

相關碩士學位論文 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學;2015年

3 孫雪青;Shearlet變換和稀疏表示相結合的甲狀腺結節(jié)圖像融合[D];河北大學;2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

6 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

8 賀妍斐;基于稀疏表示與自適應倒易晶胞的遙感圖像復原方法研究[D];南京信息工程大學;2015年

9 楊爍;電能質量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

10 應艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

，

本文編號：1905427