本文選題：稀疏表示 + 重構(gòu)樣本�。� 參考：《安徽大學(xué)》2016年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)與智能終端的迅速普及,圖像數(shù)據(jù)迅速增長(zhǎng)。由于圖像數(shù)據(jù)未經(jīng)全部標(biāo)注,導(dǎo)致圖像的分類(lèi)存儲(chǔ)和查找不方便,如何將海量的圖像有效地進(jìn)行分類(lèi),已經(jīng)成為圖像處理研究領(lǐng)域的一個(gè)熱點(diǎn)方向。稀疏表示應(yīng)用在圖像分類(lèi)問(wèn)題中是圖像處理中的一個(gè)重要分支。稀疏表示以其簡(jiǎn)潔模型迅速吸引了大量學(xué)者的注意,通過(guò)稀疏表示求解的系數(shù)向量,在每個(gè)子類(lèi)字典中重構(gòu)樣本,然后記錄測(cè)試樣本減去所有重構(gòu)樣本的殘差,找到最小的殘差對(duì)應(yīng)的子字典的類(lèi),作為測(cè)試樣本的預(yù)測(cè)標(biāo)簽,這種圖像分類(lèi)的方法直觀,對(duì)于有較好的字典樣本,通過(guò)系數(shù)就能直觀的觀察到測(cè)試樣本與哪些類(lèi)相關(guān)。本文對(duì)稀疏表示在圖像分類(lèi)問(wèn)題中的應(yīng)用進(jìn)行了深入研究,所做的主要工作和特點(diǎn)如下：(1)提出一種基于重構(gòu)樣本稀疏表示的圖像分類(lèi)算法。算法是通過(guò)產(chǎn)生一個(gè)重構(gòu)的中間樣本進(jìn)行分類(lèi)。針對(duì)現(xiàn)有的基于稀疏表示的圖像分類(lèi)中存在的不是所有信息都可以用來(lái)分類(lèi)的問(wèn)題,提出了一種將測(cè)試樣本投影到訓(xùn)練樣本上,丟棄訓(xùn)練樣本中沒(méi)有表示出來(lái)的信息,再用重構(gòu)之后的樣本來(lái)分類(lèi),解決了不能被訓(xùn)練樣本表示的信息對(duì)分類(lèi)的影響。為了取得更優(yōu)秀的結(jié)果,實(shí)驗(yàn)中所有的訓(xùn)練樣本和測(cè)試樣本都先通過(guò)Gabor濾波器提取局部特征。實(shí)驗(yàn)驗(yàn)證了提出的算法具有有效性。(2)提出一種結(jié)合字典對(duì)和重構(gòu)樣本的稀疏表示應(yīng)用于人臉圖像分類(lèi)的算法。對(duì)于圖像的分類(lèi)與識(shí)別來(lái)說(shuō),獲得具有良好區(qū)分能力的字典是至關(guān)重要的。針對(duì)現(xiàn)有的基于稀疏表示的人臉圖像分類(lèi)中,求解具有區(qū)分能力字典的復(fù)雜度過(guò)高以及測(cè)試樣本不能被字典全部表示出來(lái)的問(wèn)題,提出了結(jié)合字典對(duì)學(xué)習(xí)與樣本重構(gòu)的稀疏表示用于圖像分類(lèi)。對(duì)于訓(xùn)練樣本和測(cè)試樣本在訓(xùn)練字典之前,利用Gabor濾波器提取不同方向,不同尺度的特征作為訓(xùn)練字典的原始輸入,然后使用解析字典來(lái)輔助獲得具有區(qū)分能力的綜合字典,再將測(cè)試樣本投影到獲得的字典上,最后用基于綜合字典上重構(gòu)的樣本來(lái)分類(lèi),減少了不能被字典表示的信息對(duì)分類(lèi)的影響,提升分類(lèi)的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,在三個(gè)具有代表性的人臉數(shù)據(jù)集中,DPL ICSRIR方法能較好地分類(lèi)人臉圖像。
[Abstract]:With the rapid popularity of the Internet and intelligent terminals, image data is growing rapidly. Because the image data is not annotated completely, it is not convenient to store and find the image classification. How to classify the massive images effectively has become a hot topic in the field of image processing. Sparse representation is an important branch of image processing in image classification. The sparse representation has attracted the attention of a large number of scholars because of its concise model. Through sparse representation of the solved coefficient vector, the samples are reconstructed in each subclass dictionary, and the test samples are recorded to subtract the residuals of all the reconstructed samples. The method of image classification is intuitionistic to find the class of sub-dictionary corresponding to minimum residual error as the prediction label of test sample. For a good dictionary sample, we can intuitively observe which classes the test sample is related to through the coefficient. In this paper, the application of sparse representation in image classification is deeply studied. The main work and characteristics are as follows: 1) an image classification algorithm based on reconstructed sparse representation of samples is proposed. The algorithm is classified by generating a reconstructed intermediate sample. In order to solve the problem that not all the information can be used to classify the existing image classification based on sparse representation, a test sample is projected onto the training sample and the information that is not represented in the training sample is discarded. The effect of the information that can not be represented by the training samples on the classification is solved by using the reconstructed samples. In order to obtain better results, all the training samples and test samples are firstly extracted by Gabor filter. Experimental results show that the proposed algorithm is effective. (2) A new algorithm for face image classification is proposed, which combines dictionary pairs with sparse representation of samples. For image classification and recognition, it is very important to obtain dictionaries with good distinguishing ability. In the existing face image classification based on sparse representation, the complexity of the discriminative dictionary is too high and the test samples can not be completely represented by the dictionary. A sparse representation of learning and sample reconstruction is proposed for image classification. For training samples and test samples, before training dictionaries, Gabor filters are used to extract features of different directions and scales as the original input of the training dictionaries, and then analytic dictionaries are used to assist in obtaining comprehensive dictionaries with distinguishing ability. Then the test samples are projected onto the obtained dictionaries, and finally the samples reconstructed on the synthetic dictionaries are used to classify, which reduces the influence of the information that can not be represented by the dictionary on the classification, and improves the accuracy of classification. The experimental results show that the DPL ICSRIR method can be used to classify face images in three representative face datasets.
【學(xué)位授予單位】：安徽大學(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 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類(lèi)[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：1905427