發(fā)布時間：2017-04-19 11:00

  本文關鍵詞：基于非負矩陣分解的圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：圖像底層視覺特征與高層語義之間存在的“語義鴻溝”,成為影響圖像內容語義理解的瓶頸。為了縮小語義鴻溝,提高圖像內容的利用效率,核心問題是如何有效地表示圖像的視覺特征,因為圖像的特征表示直接影響到分類器的設計及圖像的分類結果。同時,由于圖像視覺特征的維數(shù)往往較高,會對圖像分類的識別率和運行時間產(chǎn)生很大的影響。因此,針對圖像視覺特征進行有效降維,成為模式識別、計算機視覺和圖像處理等領域中研究熱點之一。矩陣分解技術作為數(shù)據(jù)表示的一種重要方法,近年來獲得了廣泛關注和深入研究。與已有的矩陣分解方法有主成分分析算法、線性判別分析算法、獨立分量分析算法、奇異值分解算法等不同,非負矩陣分解算法(NMF)在求解時要求待分解對象及結果矩陣中的元素均為非負值。NMF的這種約束符合心理學和生理學的觀點,即人對整體的感知是由組成部分的感知構成。NMF的基本思想是將一個所有元素均為非負的矩陣分解為左右兩個非負矩陣的乘積。其中一個矩陣稱作基矩陣,另一個矩陣稱作系數(shù)矩陣。在NMF框架中,所分解矩陣中的列向量可以解釋為對基矩陣中所有列向量的加權之和。為了提高NMF算法的有效性,不少學者在基本的NMF框架下引入各種約束,如稀疏性、正交性、判別性、流形等,發(fā)展了若干種改進算法,并被應用到諸如人臉檢測與識別、數(shù)字水印、基因及細胞分析、樂器識別、聲源分類、文本分析與聚類、盲信號分析等,取得了良好的效果。本文基于NMF框架,主要研究如何通過施加約束增強NMF性能,及在線學習增強非負矩陣分解NMF的性能,并將其應用于圖像分類問題當中。文中提出了三種非負矩陣分解的改進方法:(1)基于圖正則化和稀疏約束的半監(jiān)督非負矩陣分解算法;(2)基于稀疏約束的增量型非負矩陣分解;(3)基于圖正則化和稀疏約束的增量型非負矩陣分解。在完成圖像降維和特征提取后,選取支持向量機(SVM)用于圖像分類處理。在幾個常用的數(shù)據(jù)庫上進行了驗證實驗,實驗結果表明本文的算法穩(wěn)定性好且分類準確率高。
【關鍵詞】：非負矩陣分解 圖正則化 增量型 圖像分類 支持向量機
【學位授予單位】：遼寧工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP18
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-14
• 1.1 研究背景及意義8-10
• 1.2 國內外研究現(xiàn)狀10-13
• 1.2.1 非負矩陣分解10-11
• 1.2.2 圖像分類11-13
• 1.3 論文的研究內容與章節(jié)安排13-14
• 2 非負矩陣分解基本理論14-27
• 2.1 非負矩陣分解簡介14-15
• 2.2 非負矩陣分解的目標函數(shù)15-16
• 2.3 迭代規(guī)則以及算法的收斂性16-20
• 2.3.1 迭代規(guī)則16-17
• 2.3.2 收斂性證明17-20
• 2.4 非負矩陣分解的改進算法20-24
• 2.4.1 半監(jiān)督非負矩陣分解算法21
• 2.4.2 圖正則非負矩陣分解算法21-22
• 2.4.3 增量型非負矩陣分解算法22-23
• 2.4.4 半非負矩陣分解算法23-24
• 2.5 非負矩陣分解的應用24-26
• 2.6 本章小結26-27
• 3 基于圖正則化和稀疏約束的半監(jiān)督非負矩陣分解27-38
• 3.1 基于圖正則化和稀疏約束的半監(jiān)督非負矩陣分解算法27-28
• 3.2 GCNMFS算法收斂性證明28-30
• 3.3 實驗結果與分析30-37
• 3.3.1 數(shù)據(jù)集30-31
• 3.3.2 評價指標31-32
• 3.3.3 實驗結果32-36
• 3.3.4 基圖像的稀疏度36-37
• 3.4 本章小結37-38
• 4 基于稀疏約束的增量型非負矩陣分解38-49
• 4.1 基于稀疏約束的增量型非負矩陣分解算法38-42
• 4.1.1 基于3/2l稀疏約束的INMF算法38-40
• 4.1.2 基于2l稀疏約束的INMF算法40-41
• 4.1.3 基于1l稀疏約束的INMF算法41-42
• 4.2 基于INMFSC算法的圖像分類42-43
• 4.3 實驗結果與分析43-48
• 4.3.1 數(shù)據(jù)集43-44
• 4.3.2 實驗結果44-47
• 4.3.3 稀疏度度量47-48
• 4.4 本章小結48-49
• 5 基于圖正則化和稀疏約束的增量型非負矩陣分解49-59
• 5.1 基于圖正則化和稀疏約束的增量型非負矩陣分解算法49-51
• 5.1.1 目標函數(shù)49
• 5.1.2 迭代規(guī)則49-51
• 5.2 圖像表示和分類實驗51-58
• 5.2.1 數(shù)據(jù)集51-52
• 5.2.2 實驗結果52-57
• 5.2.3 稀疏度度量57-58
• 5.3 本章小結58-59
• 6 總結與展望59-60
• 6.1 論文總結59
• 6.2 研究展望59-60
• 參考文獻60-62
• 攻讀碩士期間發(fā)表學術論文情況62-63
• 致謝63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 何光輝;張?zhí)?;保持拓撲性非負矩陣分解法在人臉識別的應用[J];計算機工程與應用;2010年14期

2 史加榮;焦李成;尚凡華;;不完全非負矩陣分解的加速算法[J];電子學報;2011年02期

3 王文俊;張軍英;;一種非負矩陣分解的快速方法[J];計算機工程與應用;2009年25期

4 張雷鳴;李秋丹;廖勝才;;非負矩陣分解在標簽語義分析中的應用[J];計算機科學;2010年04期

5 于彬;;基于局部非負矩陣分解的人臉識別[J];科學技術與工程;2010年33期

6 姜偉;楊炳儒;隋海峰;;局部敏感非負矩陣分解[J];計算機科學;2010年12期

7 宋金歌;楊景;陳平;佘玉梅;;一種非負矩陣分解的快速稀疏算法[J];云南民族大學學報(自然科學版);2011年04期

8 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

9 郝紅;徐常青;張新平;;基于非負矩陣分解的航拍圖像信息提取[J];浙江農林大學學報;2012年01期

10 吳榮玉;樊豐;舒建;;基于非負矩陣分解的魯棒哈希函數(shù)驗證性研究[J];電子技術應用;2012年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學術年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前8條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

4 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

5 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

6 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

7 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

8 劉昱昊;基于非負矩陣分解算法的人臉識別技術的研究[D];吉林大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數(shù)據(jù)分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

  本文關鍵詞：基于非負矩陣分解的圖像分類算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：316105