基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類.pdf

1、自從進入了二十一世紀(jì),人類迎來了互聯(lián)網(wǎng)時代,這個新的時代給人類帶來的是在知識獲取,知識創(chuàng)造,知識傳播等方面的巨大變革。當(dāng)前的互聯(lián)網(wǎng)主要采用文字檢索的方式尋找人們感興趣的內(nèi)容,隨著人們需求的不斷增加,以及互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,科研工作者的研究興趣已經(jīng)從文字檢索逐步轉(zhuǎn)換到對圖像和視頻內(nèi)容的檢索,因此圖像分析,圖像理解方面的研究迅猛發(fā)展,而圖像分類和圖像分割是圖像分析和圖像理解的重要組成部分。本論文致力于圖像分類這一重要課題,研究的對象包括對

2、圖像整體的分類和對圖像局部內(nèi)容的分類(圖像監(jiān)督分割)兩大部分。
　　近幾十年來,稀疏表示一直是圖像處理,圖像分析與圖像理解方面的熱點課題。對稀疏表示的研究已經(jīng)滲透到圖像處理,圖像分析與圖像理解的方方面面。如此多的研究結(jié)果證實稀疏表示與圖像有著密不可分的關(guān)系。因此,本論文所研究的圖像分類方法都是在稀疏表示的基礎(chǔ)上進行的。基于稀疏表示的圖像分類算法大致由三個階段組成:
　　(I)稀疏表示字典的學(xué)習(xí)構(gòu)造階段;
　　(II)稀

3、疏編碼特征提取階段;
　　(III)基于稀疏表示特征的分類階段。
　　而當(dāng)前基于稀疏表示的圖像分類主要面臨三個問題:
　　(I)構(gòu)造稀疏表示字典的模型設(shè)計問題;
　　(II)特征編碼(稀疏表示)優(yōu)化算法設(shè)計問題;
　　(III)基于稀疏特征的分類器設(shè)計問題。
　　本論文的內(nèi)容就是圍繞這三方面的問題展開,并獲得以下成果:
　　在第二章,本文針對稀疏表示凸松弛問題設(shè)計了一個最優(yōu)化算法,并將其命名為不

4、完全變量截斷共軛梯度算法.該方法利用對Karush-Kuhn-Tucker一階最優(yōu)化條件違反程度的度量,將被優(yōu)化的變量分為主要,次要兩個部分,并分別對兩個部分進行優(yōu)化。針對主要的變量這個方法使用截斷共軛梯度算法,從而將更多的計算資源投入主要變量的優(yōu)化,針對次要部分的變量,這個方法使用最速下降算法,從而節(jié)省了計算資源.由于計算資源的合理分配,這一方法可以快速地收斂到目標(biāo)函數(shù)的解。當(dāng)然該方法不僅擁有良好的運算性質(zhì),它還具有非常優(yōu)秀的理論性質(zhì)

5、,即有限步收斂的性質(zhì)。
　　在第三章,本文提出了一個綜合字典學(xué)習(xí)和稀疏編碼的特征提取方法,并用于高光譜圖像的像素分類,該方法被命名為空譜稀疏編碼方法。該方法首先采用兩階段相似度傳播聚類算法結(jié)合空間近鄰策略用于構(gòu)造空譜字典,然后采用局部約束稀疏編碼方法提取像素的空譜特征,該稀疏特征提取方法具有字典學(xué)習(xí)和稀疏編碼速度快,獲得特征稀疏度高,存儲成本小的特點,不僅如此,由該方法提取的稀疏表示特征還可以被線性支持向量機快速高精度地分類。

6、r>　　在第四和第五章,本文提出了兩個基于稀疏表示的分類算法,它們分別是用于人臉圖像識別的證據(jù)推理分類算法和奇異點清除稀疏表示分類算法。由于這兩個算法都是針對含噪圖像而設(shè)計的,因此它們共同的特點就是尋求方法抑制訓(xùn)練樣本中的噪聲。不同之處在于,前者利用證據(jù)推理理論采用構(gòu)建置信規(guī)則庫的方式平抑人臉類噪聲,而后者則是對每一個訓(xùn)練樣本學(xué)習(xí)一個表征奇異程度的權(quán)值,進而達到抗人臉遮擋噪聲的目的。由于采用了抗噪策略,這兩個算法分別在類噪聲和遮擋噪聲條