圖像是高維數(shù)據(jù),本身蘊含了大量復(fù)雜的信息和特征,如何有效從高維復(fù)雜圖像數(shù)據(jù)中挖掘內(nèi)在規(guī)律并進行高效的分析識別,一直是計算機科學(xué)領(lǐng)域面臨的基本問題。近年來提出的稀疏表示及其字典學(xué)習(xí)理論已經(jīng)成為了圖像識別領(lǐng)域研究的熱點,并且得到了快速的發(fā)展。高維圖像的特征信息往往是非線性的,這種非線性結(jié)構(gòu)中往往蘊含豐富的利于提升識別率的鑒別信息,稀疏表示字典學(xué)習(xí)模型被應(yīng)用于圖像識別問題時卻往往忽略了圖像的內(nèi)在幾何結(jié)構(gòu)信息。基于圖嵌入框架下的流形學(xué)習(xí)方法,可以有效地挖掘嵌入在高維數(shù)據(jù)中的低維子流形,揭示隱藏在高維數(shù)據(jù)中內(nèi)在的幾何結(jié)構(gòu)與規(guī)律。因此,本文對結(jié)合圖嵌入理論和字典學(xué)習(xí)理論的圖像識別算法及其應(yīng)用進行了深入的研究,主要工作概括如下:(1)提出了一種圖嵌入約束下的雙字典學(xué)習(xí)方法(Graph embedding dictionary pair learning,DPL)同時學(xué)習(xí)一對綜合字典和投影字典。該方法考慮到圖像的局部幾何結(jié)構(gòu)中往往包含關(guān)鍵的判別性信息,在構(gòu)建圖拉普拉斯矩陣的關(guān)鍵步驟中,與一般的直接用樣本構(gòu)建圖拉普拉斯矩陣的方法不同的是,結(jié)合字典原子與字典原子輪廓(即編碼系數(shù)的行)之間的一一對應(yīng)關(guān)系,采...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1綜合字典學(xué)習(xí)模型

9雖然采用BP算法能夠達到全局收斂，求得的稀疏解更為精確，但是貪婪算法比BP算法計算消耗低。對稀疏表示模型進行求解時，需要根據(jù)具體特定的情況，采取合適的優(yōu)化方法。2.2字典學(xué)習(xí)模型稀疏表示模型中字典的好壞與圖像的識別性能有密切的關(guān)聯(lián)，由通過對樣本進行特定數(shù)學(xué)變換構(gòu)定[11]的解析....

圖2.2解析字典模型

11(5)最終獲得字典D，變換矩陣L，分類參數(shù)矩陣W。2.2.2解析字典學(xué)習(xí)模型隨著學(xué)者們提出的許多改進的綜合字典學(xué)習(xí)模型，對它的研究發(fā)展非�？�，但是綜合字典學(xué)習(xí)模型也存在一些問題。例如，當(dāng)訓(xùn)練樣本增加時，稀疏編碼的時間會過長，算法效率會降低。圖2.2解析字典模型作為綜合字典的對....

圖2.3LLE降維效果圖

14圖2.3LLE降維效果圖2.3.3拉普拉斯特征映射作為一種基于局部的方法，拉普拉斯特征映射算法也是流形學(xué)習(xí)理論中相對更全面、研究成果更為豐碩。LE算法的主要思想通過維持數(shù)據(jù)的局部性來獲得潛在的低維流形，即認為在高維空間中彼此鄰近的數(shù)據(jù)點通過該算法被映射至低維空間后，近鄰關(guān)系仍....

圖2.4LE降維效果圖

15所以，目標(biāo)函數(shù)可以轉(zhuǎn)換為如式(2-20)：1argminTTyDyyLy(2-20)再由拉格朗日乘子法得到方程：,TTLyyLyyDy(2-21)令Ly,導(dǎo)數(shù)為0，則式(2-21)中的最小化問題從而變成求特征值的問題，即求矩陣方程的最小特征值相應(yīng)的特征向量:LyDy(2-22....

本文編號：3982416