圖像作為對(duì)外界事物的客觀描述,是現(xiàn)代生活中最常用的信息載體之一。圖像處理技術(shù)在航空航天、工業(yè)檢測(cè)等多個(gè)領(lǐng)域都有著重要的應(yīng)用。視覺(jué)特征提取作為圖像處理的基礎(chǔ),一直是研究者們重點(diǎn)關(guān)注的對(duì)象。生成模型學(xué)習(xí)輸入數(shù)據(jù)的概率分布,能夠?qū)D像的本質(zhì)特征描述出來(lái),在各種應(yīng)用場(chǎng)景中均取得了比手工設(shè)計(jì)的特征提取算法更好的效果。其中,傳統(tǒng)的概率生成模型利用顯式的函數(shù)模擬數(shù)據(jù)分布,函數(shù)的目標(biāo)變量即為圖像的特征。生成對(duì)抗網(wǎng)絡(luò)能夠?qū)㈦S機(jī)噪聲映射到真實(shí)數(shù)據(jù)的分布空間中,得到高質(zhì)量的合成圖像,實(shí)現(xiàn)對(duì)數(shù)據(jù)概率密度的隱式表達(dá)。這兩種生成模型都具有重要的研究與應(yīng)用價(jià)值。本文首先詳述了以專(zhuān)家乘積模型為代表的概率生成模型及其求解方法。由于生成對(duì)抗網(wǎng)絡(luò)是基于深度學(xué)習(xí)的算法,本文分別對(duì)這兩種理論進(jìn)行介紹,作為之后研究工作的基礎(chǔ)。對(duì)于圖像版權(quán)保護(hù)問(wèn)題,本文提出了一種基于多層生成模型的圖像指紋算法。該算法利用一組專(zhuān)家函數(shù)將輸入圖像塊映射為簡(jiǎn)短的特征描述符,并在目標(biāo)函數(shù)中加入約束項(xiàng)以提高模型對(duì)不同視覺(jué)內(nèi)容圖像的區(qū)分性和對(duì)失真干擾的魯棒性。算法采用均值池化去除特征圖中的冗余,并將專(zhuān)家函數(shù)和池化級(jí)聯(lián)構(gòu)成一個(gè)特征提取模塊。特征提取網(wǎng)絡(luò)由多個(gè)模... 

【文章來(lái)源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

各種算法的ROC曲線(xiàn)

第3章基于多層生成模型的魯棒性圖像指紋算法25表3-5各種算法在每種失真及所有失真下的1F指標(biāo)失真類(lèi)型本算法R-NMFCOMPSENWAVELETGF-DLVQSPARSELRSDSPA-STAJPEG壓縮0.9990.9931.0001.0000.9950.9990.9990.981高斯噪聲0.9990.9150.9980.9960.9550.9990.9990.952散斑噪聲1.0000.9820.9990.9970.9760.9990.9990.991圓周濾波0.9890.8800.9970.9990.9100.9950.9920.810中值濾波0.9990.9820.9990.9990.9820.9980.9990.984旋轉(zhuǎn)及截取0.9590.9980.9440.9880.9990.9590.9620.999直方圖均衡化0.9980.8860.9850.8410.8890.9910.9950.876伽馬校正0.9990.9790.9990.9410.9450.9990.9990.996比例放縮0.9970.9821.0000.9000.9940.9990.9990.896圖3-4類(lèi)內(nèi)和類(lèi)間指紋距離分布直方圖3.3.2預(yù)訓(xùn)練及微調(diào)的作用本部分通過(guò)實(shí)驗(yàn)證明了基于概率生成模型的預(yù)訓(xùn)練過(guò)程的作用。實(shí)驗(yàn)采用新的訓(xùn)練策略：不使用預(yù)訓(xùn)練，直接通過(guò)微調(diào)對(duì)隨機(jī)初始化的模型參數(shù)進(jìn)行調(diào)整。表3-6給出了該策略下模型的性能，從中可以證明預(yù)訓(xùn)練的必要性。盡管該過(guò)程

第3章基于多層生成模型的魯棒性圖像指紋算法27圖3-5改變池化操作所對(duì)應(yīng)的ROC曲線(xiàn)3.3.4對(duì)于專(zhuān)家函數(shù)個(gè)數(shù)的選擇這一部分中探討了專(zhuān)家函數(shù)的個(gè)數(shù)對(duì)于算法性能的影響。3.3.1節(jié)中設(shè)置兩層網(wǎng)絡(luò)中分別包含有16和7個(gè)專(zhuān)家。由于第二層網(wǎng)絡(luò)中的專(zhuān)家函數(shù)個(gè)數(shù)決定了所生成指紋的長(zhǎng)度，因此本實(shí)驗(yàn)固定這一參數(shù)，改變第一層網(wǎng)絡(luò)中專(zhuān)家函數(shù)的個(gè)數(shù)為7和24，并重新訓(xùn)練模型并進(jìn)行測(cè)試。圖3-6中顯示了不同參數(shù)設(shè)置下得到的ROC曲線(xiàn)，結(jié)果證明當(dāng)?shù)谝粚泳W(wǎng)絡(luò)選用16個(gè)專(zhuān)家函數(shù)時(shí)，算法能夠?qū)崿F(xiàn)最優(yōu)性能。當(dāng)函數(shù)個(gè)數(shù)減少為7時(shí)，算法性能出現(xiàn)了明顯的降低，EER上升了67%（從1.03×10-2到1.72×10-2），說(shuō)明過(guò)少的專(zhuān)家無(wú)法描述出圖像塊中的所有特征，不利于指紋的區(qū)分性。但這不代表增加專(zhuān)家函數(shù)的數(shù)量能夠確保算法性能的穩(wěn)定提升。如圖3-6所示，將第一層網(wǎng)絡(luò)參數(shù)設(shè)置為24得到的指紋測(cè)試結(jié)果不如將其設(shè)置為16的結(jié)果。一方面，增加專(zhuān)家函數(shù)的個(gè)數(shù)確實(shí)可以幫助提取到圖像中更多的細(xì)節(jié)信息，有利于提高算法的區(qū)分性；但另一方面，細(xì)節(jié)特征往往對(duì)圖像的失真變化更加敏感，將會(huì)對(duì)算法的魯棒性造成不利影響。此外，本算法的訓(xùn)練時(shí)間與專(zhuān)家函數(shù)的個(gè)數(shù)成正比，增加專(zhuān)家函數(shù)的個(gè)數(shù)意味著網(wǎng)絡(luò)的學(xué)習(xí)和計(jì)算指紋時(shí)間的延長(zhǎng)，這也是在選擇這一參數(shù)時(shí)需要考慮的因素。


本文編號(hào)：2969229