本文關(guān)鍵詞：基于子空間學(xué)習(xí)和稀疏編碼的圖像分類(lèi)算法研究　出處：《北京交通大學(xué)》2016年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 稀疏編碼 正交平滑子空間 粒子群優(yōu)化 重構(gòu)誤差 降維 圖像分類(lèi)

【摘要】：隨著多媒體和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,圖像信息呈現(xiàn)出爆炸式的增長(zhǎng),如何在海量數(shù)據(jù)中快速尋找到所需要的數(shù)據(jù)已成為亟待解決的問(wèn)題。圖像分類(lèi)技術(shù)通過(guò)對(duì)圖像數(shù)據(jù)進(jìn)行分析處理,自動(dòng)檢索分類(lèi)出圖片,滿足人們的需求。因此,對(duì)圖像分類(lèi)的研究具有十分重要的理論意義和應(yīng)用價(jià)值。本文使用圖像的SIFT特征和像素特征,分別從高維數(shù)據(jù)降維、尋優(yōu)子空間以及重構(gòu)誤差分類(lèi)的角度對(duì)圖像分類(lèi)進(jìn)行了細(xì)致深入的研究,主要工作包括：(1)圖像分塊可以更好的利用圖像像素間的空問(wèn)信息,獲得更多的細(xì)節(jié)。因此,我們提出一種基于分塊子空間的圖像分類(lèi)算法。并針對(duì)傳統(tǒng)的數(shù)學(xué)推導(dǎo)無(wú)法獲得分類(lèi)問(wèn)題的精確解的問(wèn)題,提出了通過(guò)粒子群算法求解的子空間尋優(yōu)模型。此方法使用粒子群算法對(duì)分塊的子空間模型進(jìn)行尋優(yōu)處理,最終得到一個(gè)優(yōu)化的子空間,并實(shí)現(xiàn)圖像分類(lèi)；(2)為了克服高維數(shù)據(jù)對(duì)于圖像分類(lèi)帶來(lái)的分類(lèi)精確度低、計(jì)算復(fù)雜度高的問(wèn)題,提出了一種基于稀疏編碼的正交平滑子空間的圖像分類(lèi)算法,將圖像從高維空間變換到低維空間。此算法首先提取圖像的SIFT特征,對(duì)此特征進(jìn)行稀疏編碼,再對(duì)編碼矩陣進(jìn)行最大池特征提取,最終獲得對(duì)圖像的一個(gè)高維特征描述,最后通過(guò)正交平滑子空間算法將這些高維的特征向量在正交平滑子空間中降維處理。實(shí)驗(yàn)驗(yàn)證了所提算法的有效性；(3)基于稀疏編碼的圖像分類(lèi)算法,在訓(xùn)練字典的過(guò)程中并沒(méi)有充分利用選取的訓(xùn)練數(shù)據(jù)的類(lèi)別信息,這也就使得字典是無(wú)監(jiān)督的。為了充分利用已知的先驗(yàn)信息,提出了一種有監(jiān)督的重構(gòu)誤差分類(lèi)算法。通過(guò)在字典訓(xùn)練過(guò)程中加入類(lèi)別信息的方法獲得更有效的字典描述,并采用重構(gòu)誤差最小化準(zhǔn)則對(duì)圖像進(jìn)行分類(lèi),實(shí)驗(yàn)結(jié)果表明,該算法可以有效的改善分類(lèi)性能。
[Abstract]:With the rapid development of multimedia and Internet technology, image information shows an explosive growth. How to quickly find the needed data in the massive data has become an urgent problem. Image classification technology through image data analysis and processing, automatic retrieval and classification of images. Therefore, the research of image classification has very important theoretical significance and application value. In this paper, the SIFT feature and pixel feature of image are used to reduce the dimension from high-dimensional data. The optimization subspace and reconstruction error classification are studied in detail. The main work includes: 1) Image segmentation can make better use of spatial information between pixels. Therefore, we propose an image classification algorithm based on block subspace, and aim at the problem that traditional mathematical derivation can not obtain the exact solution of the classification problem. A subspace optimization model based on particle swarm optimization (PSO) algorithm is proposed in this paper. The PSO algorithm is used to optimize the sub-space model of blocks, and finally an optimized subspace is obtained and the image classification is realized. 2) in order to overcome the problems of low classification accuracy and high computational complexity brought by high-dimensional data for image classification, an image classification algorithm based on sparse coding in orthogonal smooth subspace is proposed. The image is transformed from high-dimensional space to low-dimensional space. Firstly, the SIFT feature of the image is extracted, the feature is sparse coded, and then the maximum pool feature is extracted from the coding matrix. Finally, a high-dimensional feature description of the image is obtained. Finally, these high-dimensional feature vectors are reduced in the orthogonal smoothing subspace by orthogonal smoothing subspace algorithm. The experimental results show the effectiveness of the proposed algorithm. 3) the image classification algorithm based on sparse coding does not make full use of the class information of the selected training data in the process of training dictionary. This makes dictionaries unsupervised in order to take full advantage of known prior information. A supervised reconstruction error classification algorithm is proposed to obtain a more effective dictionary description by adding category information into the dictionary training process, and the reconstruction error minimization criterion is used to classify images. Experimental results show that the proposed algorithm can effectively improve the classification performance.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 晁永國(guó);戴芳;韓舒然;何靜;;改進(jìn)的非負(fù)稀疏編碼圖像基學(xué)習(xí)算法[J];計(jì)算機(jī)工程與科學(xué);2010年01期

2 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測(cè)中的應(yīng)用[J];廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

3 郎利影;夏飛佳;;人臉識(shí)別中的零范數(shù)稀疏編碼[J];應(yīng)用科學(xué)學(xué)報(bào);2012年03期

4 程?hào)|陽(yáng);蔣興浩;孫錟鋒;;基于稀疏編碼和多核學(xué)習(xí)的圖像分類(lèi)算法[J];上海交通大學(xué)學(xué)報(bào);2012年11期

5 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2013年03期

6 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識(shí)別與人工智能;2013年11期

7 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測(cè)[J];軟件學(xué)報(bào);2013年11期

8 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識(shí)別中的研究[J];電視技術(shù);2013年23期

9 王瑞霞;彭國(guó)華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計(jì)算機(jī)科學(xué);2014年08期

10 錢(qián)樂(lè)樂(lè);高雋;謝昭;;一種融合神經(jīng)稀疏編碼機(jī)制的層次目標(biāo)識(shí)別算法[J];中國(guó)圖象圖形學(xué)報(bào);2010年10期

相關(guān)會(huì)議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負(fù)稀疏編碼收縮技術(shù)實(shí)現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

2 劉揚(yáng);程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

3 張瑩瑩;梁培基;;視網(wǎng)膜神經(jīng)元的高效信息處理[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 唐海峰;基于信號(hào)稀疏表征的故障診斷方法研究[D];上海交通大學(xué);2014年

2 孫宇平;基于稀疏表征和自相似性的視覺(jué)數(shù)據(jù)識(shí)別關(guān)鍵技術(shù)及應(yīng)用[D];華南理工大學(xué);2015年

3 李清勇;視覺(jué)感知的稀疏編碼理論及其應(yīng)用研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2006年

4 季昊;稀疏編碼研究及其在模式識(shí)別中的應(yīng)用[D];北京郵電大學(xué);2012年

5 孫俊;人臉圖像分析和識(shí)別方法研究[D];清華大學(xué);2001年

6 朱秋平;基于稀疏編碼的織物瑕疵檢測(cè)算法研究[D];武漢大學(xué);2014年

7 羅敏楠;T-S模糊推理系統(tǒng)的結(jié)構(gòu)稀疏編碼辨識(shí)理論與方法[D];清華大學(xué);2014年

8 謝錦生;基于動(dòng)態(tài)感知與異常注意的目標(biāo)描述方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2012年

9 劉小白;圖像及視頻語(yǔ)義解析的關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2012年

10 丁昕苗;基于多示例學(xué)習(xí)的恐怖視頻識(shí)別技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 柏文強(qiáng);基于局部特征提取和稀疏編碼的人臉識(shí)別算法研究[D];燕山大學(xué);2015年

2 李明;目標(biāo)檢測(cè)與識(shí)別算法研究與應(yīng)用[D];中央民族大學(xué);2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學(xué);2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場(chǎng)景分類(lèi)[D];西安電子科技大學(xué);2014年

5 覃曉冰;基于稀疏編碼的語(yǔ)音去噪技術(shù)研究[D];電子科技大學(xué);2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗(yàn)證中的應(yīng)用研究[D];電子科技大學(xué);2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類(lèi)[D];西安電子科技大學(xué);2014年

8 黃成;基于非負(fù)稀疏編碼的視頻拷貝檢測(cè)方法研究[D];湘潭大學(xué);2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強(qiáng)算法的研究[D];南京郵電大學(xué);2015年

10 丁文秀;基于分層深度學(xué)習(xí)的行人分類(lèi)方法研究[D];合肥工業(yè)大學(xué);2015年

，

本文編號(hào)：1380863