基于近鄰傳播算法的圖像目標(biāo)分類關(guān)鍵技術(shù)研究.pdf

1、圖像目標(biāo)識別是圖像處理與模式識別領(lǐng)域的一個重要研究方向，在安全監(jiān)控、軍事偵察、產(chǎn)品檢測、人機(jī)交互和醫(yī)療診斷等方面得到了越來越廣泛的應(yīng)用。圖像目標(biāo)分類是圖像目標(biāo)識別的重要組成部分或子任務(wù)。針對這一問題，目前尚未形成一個成熟統(tǒng)一的技術(shù)方案，往往需要針對特定的任務(wù)或?qū)ο?，選用一種或幾種不同的方法。本文圍繞圖像目標(biāo)分類這一主題，全面系統(tǒng)地介紹了相關(guān)概念、原理和方法，學(xué)習(xí)并借鑒了圖像工程、模式識別和機(jī)器學(xué)習(xí)等學(xué)科中的一些先進(jìn)技術(shù)，探討了圖像目標(biāo)分

2、類中的一系列關(guān)鍵問題。本文的主要研究內(nèi)容如下。
　?。?）提出了基于流形分析與近鄰傳播(Affinity Propagation,AP)聚類算法融合的RBF神經(jīng)網(wǎng)絡(luò)分類算法。常規(guī)AP算法在處理大規(guī)模數(shù)據(jù)集及具有多類別的數(shù)據(jù)集時，具有速度快、精度高等優(yōu)點，但是對于一些多維空間數(shù)據(jù)集，往往不能給出滿意的聚類結(jié)果。為此，通過流形分析算法對數(shù)據(jù)集進(jìn)行初步處理，然后通過指數(shù)函數(shù)調(diào)整相似度矩陣后，重新進(jìn)行AP聚類，在此基礎(chǔ)上構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)

3、分類器，通過擬合正確率來判斷算法是否收斂，并對分類結(jié)果運用FMI指標(biāo)進(jìn)行評價。仿真結(jié)果表明，這種改進(jìn)分類器能有效提高分類精度，并成功用于紋理圖像和遙感圖像分類。
　?。?）提出了基于人工免疫系統(tǒng)與AP算法融合的分類算法。人工免疫系統(tǒng)在處理分類問題時，能夠快速提取數(shù)據(jù)集的分布特征，但不能有效確定數(shù)據(jù)集類別數(shù)。而基于聚類有效性指標(biāo)的AP聚類算法在不需初始化聚類中心的前提下，能夠在較短時間里得到很好的聚類結(jié)果，并能自主確定類別數(shù)。為此，

4、本文設(shè)計一種基于人工免疫系統(tǒng)與AP算法相結(jié)合的分類算法，通過自適應(yīng)免疫算法，獲得反映數(shù)據(jù)集模式特征的抗體記憶集，然后再利用基于聚類有效性指標(biāo)的AP算法確定抗體記憶集的最佳聚類數(shù)，以此構(gòu)造分類器。人工數(shù)據(jù)集、UCI數(shù)據(jù)集和遙感圖像數(shù)據(jù)實驗表明，相對直接采用人工免疫算法和AP算法進(jìn)行分類，本文算法在分類正確率和識別性能方面具備一定的優(yōu)勢。
　　（3）提出了基于核匹配追蹤與AP算法融合的分類算法。核匹配追蹤算法通過核映射將輸入樣本映射到

5、高維特征空間，由核函數(shù)來構(gòu)成基函數(shù)字典，實現(xiàn)了非線性問題的處理。但為了獲取一個較優(yōu)的字典劃分，需要大量計算，影響它的實際應(yīng)用。核匹配追蹤學(xué)習(xí)時間與訓(xùn)練樣本規(guī)模成比例，因此本文提出一種方法，利用AP聚類算法對訓(xùn)練數(shù)據(jù)集的規(guī)模進(jìn)行壓縮，在保存核匹配追蹤統(tǒng)計信息的同時，自動搜索最佳聚類類別數(shù)來控制基函數(shù)字典訓(xùn)練的規(guī)模，從而達(dá)到算法速度和識別率的折中。通過對UCI數(shù)據(jù)和遙感圖像數(shù)據(jù)分別進(jìn)行識別測試實驗，結(jié)果表明本算法能夠有效減少訓(xùn)練時間，從而可

6、以控制算法的識別性能和計算時間之間的平衡。
　?。?）設(shè)計了基于聚類集成學(xué)習(xí)的分類算法。本文引入一種選擇性集成與AP算法融合的分類算法，聚類個體經(jīng)過選擇后再進(jìn)行集成可以取得比全集成更好的效果。為了有效區(qū)分不同的聚類個體，引入了一個新的度量將聚類個體的質(zhì)量和差異性整合起來。對不同的聚類個體，利用匈牙利算法進(jìn)行標(biāo)記匹配，計算每個樣本點關(guān)于每個類別所占的比例，得到一個成分向量，然后利用成分?jǐn)?shù)據(jù)來計算聚類個體間的距離?；诖?，利用最近鄰思