圖像是高維數(shù)據(jù),本身蘊含了大量復雜的信息和特征,如何有效從高維復雜圖像數(shù)據(jù)中挖掘內在規(guī)律并進行高效的分析識別,一直是計算機科學領域面臨的基本問題。近年來提出的稀疏表示及其字典學習理論已經(jīng)成為了圖像識別領域研究的熱點,并且得到了快速的發(fā)展。高維圖像的特征信息往往是非線性的,這種非線性結構中往往蘊含豐富的利于提升識別率的鑒別信息,稀疏表示字典學習模型被應用于圖像識別問題時卻往往忽略了圖像的內在幾何結構信息�；趫D嵌入框架下的流形學習方法,可以有效地挖掘嵌入在高維數(shù)據(jù)中的低維子流形,揭示隱藏在高維數(shù)據(jù)中內在的幾何結構與規(guī)律。因此,本文對結合圖嵌入理論和字典學習理論的圖像識別算法及其應用進行了深入的研究,主要工作概括如下:(1)提出了一種圖嵌入約束下的雙字典學習方法(Graph embedding dictionary pair learning,DPL)同時學習一對綜合字典和投影字典。該方法考慮到圖像的局部幾何結構中往往包含關鍵的判別性信息,在構建圖拉普拉斯矩陣的關鍵步驟中,與一般的直接用樣本構建圖拉普拉斯矩陣的方法不同的是,結合字典原子與字典原子輪廓(即編碼系數(shù)的行)之間的一一對應關系,采...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

圖2.1綜合字典學習模型

9雖然采用BP算法能夠達到全局收斂，求得的稀疏解更為精確，但是貪婪算法比BP算法計算消耗低。對稀疏表示模型進行求解時，需要根據(jù)具體特定的情況，采取合適的優(yōu)化方法。2.2字典學習模型稀疏表示模型中字典的好壞與圖像的識別性能有密切的關聯(lián)，由通過對樣本進行特定數(shù)學變換構定[11]的解析....

圖2.2解析字典模型

11(5)最終獲得字典D，變換矩陣L，分類參數(shù)矩陣W。2.2.2解析字典學習模型隨著學者們提出的許多改進的綜合字典學習模型，對它的研究發(fā)展非�？欤蔷C合字典學習模型也存在一些問題。例如，當訓練樣本增加時，稀疏編碼的時間會過長，算法效率會降低。圖2.2解析字典模型作為綜合字典的對....

圖2.3LLE降維效果圖

14圖2.3LLE降維效果圖2.3.3拉普拉斯特征映射作為一種基于局部的方法，拉普拉斯特征映射算法也是流形學習理論中相對更全面、研究成果更為豐碩。LE算法的主要思想通過維持數(shù)據(jù)的局部性來獲得潛在的低維流形，即認為在高維空間中彼此鄰近的數(shù)據(jù)點通過該算法被映射至低維空間后，近鄰關系仍....

圖2.4LE降維效果圖

15所以，目標函數(shù)可以轉換為如式(2-20)：1argminTTyDyyLy(2-20)再由拉格朗日乘子法得到方程：,TTLyyLyyDy(2-21)令Ly,導數(shù)為0，則式(2-21)中的最小化問題從而變成求特征值的問題，即求矩陣方程的最小特征值相應的特征向量:LyDy(2-22....

本文編號：3982416