發(fā)布時間：2024-01-17 19:45

　　隨著科技的發(fā)展和互聯(lián)網的進步,各種數(shù)據呈現(xiàn)劇增的趨勢,圖像作為一種直觀表達數(shù)據的形式,早已滲透到社會的各行各業(yè)中。面對當前海量的圖像數(shù)據,如何利用有效的分類技術對其進行分類和管理具有十分重大的意義。稀疏表示作為信號處理中的一項重要技術,引起了圖像分類領域研究人員的濃厚興趣,字典學習是稀疏表示中重要步驟,高性能的字典能夠獲得良好的圖像分類結果。本文對字典學習模型的相關算法展開了一系列研究工作,主要研究內容如下:1.針對如何提高字典矩陣和編碼系數(shù)矩陣的判別能力這一問題,本文提出結合Profiles局部約束的多樣本字典學習算法。為了提高字典的判別性能,利用訓練樣本計算虛擬訓練樣本,將所有訓練樣本參與字典的訓練,同時增加噪聲約束減少樣本中存在的噪聲干擾;為了提高編碼系數(shù)的判別性能,利用編碼系數(shù)矩陣的轉置矩陣(Profiles矩陣)構造圖拉普拉斯矩陣,用于描述編碼系數(shù)矩陣的結構信息,利用字典原子衡量各profile間的相似性并構造Profiles局部約束項;此外,提出的算法對編碼系數(shù)矩陣和噪聲矩陣利用2l范數(shù)進行正則約束,以降低算法復雜度。2.針對如何利用訓練得到的字典對測試樣本有效編碼,以提高...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

本文編號：3879545