基于稀疏表示的图像分类算法研究

发布时间：2021-04-22 22:19

　　基于表示的分类方法（Representation-Based Classification Methods,RBCM）是计算机视觉和模式识别领域中研究的热点课题之一,在人脸识别、字符识别以及高光谱图像分类等应用中取得了优异的性能,成为近年来研究较多的一类图像分类方法。经过十余年的快速发展,研究者们提出了大量的表示和分类方法,并应用在不同领域。近年来,随着相关领域的发展,改进的表示分类算法在图像识别领域中展示出优异的性能。然而,这些方法仍存在一些不足之处有待改进,比如如何利用训练样本的结构信息、多样性和类别标签信息提取更加丰富以及具有鉴别性的特征,使得在分类阶段使用简单的分类器就可以取得较好的识别性能;以及如何增强表示系数的稀疏性来提升识别率等等。本文从上述问题着手并结合相关研究,提出几种更加有效的表示分类算法。本文的主要工作概括如下:（1）提出了一种稀疏增强的加权协同表示分类（Sparsity Augmented Weighted Collabo-rative Representation-based Classification,SA-WCRC）算法。协同表示分类（Col-labor... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：111 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
        1.1.1 稀疏表示
        1.1.2 协同表示
        1.1.3 字典学习
    1.2 国内外研究现状
    1.3 本文使用的实验数据库
    1.4 本文主要研究内容
    1.5 本文结构安排
第二章 相关准备知识
    2.1 基于稀疏性约束的表示分类方法
        2.1.1 SRC方法
        2.1.2 LSRC方法
        2.1.3 K-SVD算法
2范数约束的表示分类方法">    2.2 基于l₂范数约束的表示分类方法
        2.2.1 CRC方法
        2.2.2 TPTSR方法
2方法">        2.2.3 DSR-l₂方法
    2.3 基于非负约束的表示分类方法
        2.3.1 NRC方法的目标函数
        2.3.2 NRC方法的求解
        2.3.3 NRC方法的分类方案
    2.4 基于融合表示的分类方法
    2.5 本章小结
第三章 稀疏增强的加权协同表示分类算法
    3.1 引言
    3.2 相关工作介绍
        3.2.1 岭回归问题
        3.2.2 SA-CRC方法
    3.3 稀疏增强的加权协同表示分类方法
        3.3.1 SA-WCRC方法
        3.3.2 SA-WCRC方法的分析
    3.4 实验结果与分析
        3.4.1 实验设置
        3.4.2 Yale人脸数据库中的实验结果
        3.4.3 Extended Yale B人脸数据库中的实验结果
        3.4.4 AR人脸数据库中的实验结果
        3.4.5 Scene 15场景数据库中的实验结果
        3.4.6 UCF体育动作数据库中的实验结果
        3.4.7 实验结果分析
        3.4.8 参数敏感度分析
    3.5 本章小结
第四章 稀疏和协同竞争表示乘性融合的分类算法
    4.1 引言
    4.2 相关工作介绍
        4.2.1 SCRC方法
        4.2.2 CCRC方法
    4.3 稀疏和协同竞争表示乘性融合的分类方法
        4.3.1 SCCRC方法
        4.3.2 SCCRC方法的原理及其分析
1范数约束的协同竞争表示分类方法">    4.4 （?）₁范数约束的协同竞争表示分类方法
1方法的目标函数">        4.4.1 CCRC-（?）₁方法的目标函数
1方法的求解">        4.4.2 CCRC-（?）₁方法的求解
1方法的分类方案">        4.4.3 CCRC-（?）₁方法的分类方案
1方法的区别">        4.4.4 讨论SCCRC方法与CCRC-（?）₁方法的区别
    4.5 实验结果与分析
        4.5.1 实验设置
        4.5.2 ORL人脸数据库中的实验结果
        4.5.3 GT人脸数据库中的实验结果
        4.5.4 FERET人脸数据库中的实验结果
        4.5.5 Extended Yale B人脸数据库中的实验结果
        4.5.6 XM2VTS人脸数据库中的实验结果
        4.5.7 AR人脸数据库中的实验结果
        4.5.8 图像受噪声污染时的实验结果
        4.5.9 统计显著性检验结果
        4.5.10 实验结果分析
        4.5.11 参数敏感度分析
    4.6 本章小结
第五章 高效的结构化字典学习算法
    5.1 引言
    5.2 相关工作介绍
        5.2.1 D-KSVD算法
        5.2.2 LC-KSVD算法
        5.2.3 SDDL算法
    5.3 高效的结构化字典学习算法
        5.3.1 ESDL算法的目标函数
        5.3.2 ESDL算法的求解
        5.3.3 ESDL算法的分类方案
1范数约束的结构化字典学习算法">    5.4 （?）₁范数约束的结构化字典学习算法
1算法的目标函数">        5.4.1 SDL-（?）₁算法的目标函数
1算法的求解">        5.4.2 SDL-（?）₁算法的求解
1算法的分类方案">        5.4.3 SDL-（?）₁算法的分类方案
    5.5 实验结果与分析
        5.5.1 实验设置
        5.5.2 Extended Yale B人脸数据库中的实验结果
        5.5.3 AR人脸数据库中的实验结果
        5.5.4 PIE人脸数据库中的实验结果
        5.5.5 LFW人脸数据库中的实验结果
        5.5.6 Scene 15场景数据库中的实验结果
        5.5.7 实验结果分析
        5.5.8 正则项及参数敏感度分析
    5.6 本文提出三种算法的实验结果与分析
    5.7 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 展望
致谢
参考文献
附录:攻读博士期间的主要工作


【参考文献】：
期刊论文
[1]多稀疏表示分类器决策融合的人脸识别[J]. 唐彪,金炜,符冉迪,龚飞.  电信科学. 2018(04)
[2]带PCA卷积的稀疏表示图像分类算法[J]. 魏明俊,许道云,徐梦珂.  计算机工程与应用. 2017(14)
[3]多尺度字典学习的高光谱图像压缩算法[J]. 徐大卫,张荣,吴倩.  遥感学报. 2015(02)
[4]一种基于字典学习的压缩感知视频编解码模型[J]. 郭继昌,金卯亨嘉.  数据采集与处理. 2015(01)
[5]结构约束和样本稀疏表示的图像修复[J]. 康佳伦,唐向宏,任澍.  中国图象图形学报. 2013(11)
[6]基于低秩子空间恢复的联合稀疏表示人脸识别算法[J]. 胡正平,李静.  电子学报. 2013(05)
[7]基于稀疏表示及光谱信息的高光谱遥感图像分类[J]. 宋相法,焦李成.  电子与信息学报. 2012(02)
[8]基于压缩传感的手写字符识别方法[J]. 刘长红,杨扬,陈勇.  计算机应用. 2009(08)
[9]一种基于超完备字典学习的图像去噪方法[J]. 蔡泽民,赖剑煌.  电子学报. 2009(02)
[10]岭回归分析在解决多重共线性问题中的独特作用[J]. 杨楠.  统计与决策. 2004(03)

硕士论文
[1]范数最优化问题的交替方向乘子算法[D]. 钟轶君.大连理工大学 2013
[2]非负最小二乘问题的算法研究[D]. 江潇.南京航空航天大学 2009



本文编号：3154568