發(fā)布時(shí)間：2022-12-08 04:48

　　在處理結(jié)構(gòu)復(fù)雜的高維數(shù)據(jù)時(shí),子空間表示算法能夠恢復(fù)出數(shù)據(jù)真實(shí)的子空間結(jié)構(gòu),在圖像聚類、圖像分類,圖像分割,動(dòng)態(tài)分割和圖像壓縮表示等領(lǐng)域中發(fā)揮著重要的作用。其中稀疏子空間表示對(duì)系數(shù)矩陣施加稀疏約束來提取數(shù)據(jù)間的局部特性;低秩子空間表示對(duì)系數(shù)矩陣施加低秩約束獲得數(shù)據(jù)的全局特性,這兩種算法是數(shù)據(jù)子空間表示中的典型算法。然而稀疏或低秩表示算法僅僅利用數(shù)據(jù)的列空間信息,忽略行空間信息的重要性,在處理樣本不足或被噪音污染的數(shù)據(jù)時(shí)效果不夠理想。本文對(duì)稀疏表示和低秩表示進(jìn)行了深入研究,在繼承稀疏和低秩表示優(yōu)點(diǎn)的基礎(chǔ)上提出下述兩種新算法,用于高光譜圖像分類、人臉聚類、分類及多模態(tài)圖像融合中。1)本文同時(shí)考慮數(shù)據(jù)中行和列空間信息,提出潛在低秩圖判別分析算法（LatLGDA）,對(duì)數(shù)據(jù)子空間中行和列表示系數(shù)矩陣都施加低秩約束得到子空間最優(yōu)表示系數(shù)矩陣。再利用圖嵌入模型求解投影矩陣,將高維數(shù)據(jù)映射至低維空間,實(shí)現(xiàn)高光譜數(shù)據(jù)特征提取。最后利用支持向量機(jī)得到數(shù)據(jù)分類結(jié)果。在真實(shí)的高光譜數(shù)據(jù)集上進(jìn)行分類實(shí)驗(yàn),與稀疏和低秩表示算法進(jìn)行對(duì)比發(fā)現(xiàn),LatLGDA算法同時(shí)考慮行和列空間信息,再與圖嵌入模型相結(jié)合能夠提取出更豐... 

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
學(xué)位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 稀疏和低秩表示研究的背景和意義
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 本文的研究工作和章節(jié)結(jié)構(gòu)
第二章 相關(guān)理論及算法
    2.1 預(yù)備知識(shí)
    2.2 譜聚類方法
    2.3 子空間表示相關(guān)模型
        2.3.1 稀疏表示(SR)
        2.3.2 低秩表示(LRR)
    2.4 相關(guān)算法介紹
        2.4.1 增廣拉格朗日乘子方法
        2.4.2 交替方向乘子方法
第三章 基于潛在低秩圖判別分析的高光譜分類
    3.1 引言
    3.2 基于SLGDA的特征提取
        3.2.1 稀疏低秩表示模型
        3.2.2 圖嵌入模型
    3.3 潛在低秩圖判別分析(LatLGDA)
    3.4 實(shí)驗(yàn)結(jié)果和分析
        3.4.1 Pavia高光譜圖像分類
        3.4.2 Salinas高光譜圖像分類
    3.5 本章小結(jié)
第四章 基于潛在稀疏聯(lián)合低秩表示的聚類及分類
    4.1 引言
    4.2 構(gòu)建LSLRR的目標(biāo)函數(shù)
    4.3 求解LSLRR的目標(biāo)函數(shù)
    4.4 實(shí)驗(yàn)結(jié)果和分析
        4.4.1 人臉聚類
        4.4.2 顯著特征提取和分類
        4.4.3 圖像融合
    4.5 本章小結(jié)
第五章 總結(jié)及展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的論文
作者及導(dǎo)師簡介
碩士研究生學(xué)位論文答辯委員會(huì)決議書


【參考文獻(xiàn)】：
期刊論文
[1]稀疏子空間聚類綜述[J]. 王衛(wèi)衛(wèi),李小平,馮象初,王斯琪.  自動(dòng)化學(xué)報(bào). 2015(08)



本文編號(hào)：3713581