基于字典学习的图像分类研究
发布时间：2021-07-06 13:43
稀疏表示和联合稀疏表示已成为模式识别领域中的主流技术,常被用来进行图像分类、恢复、去噪等诸多应用。传统的稀疏表示和联合稀疏表示通过一个过完备字典线性表示输入信号,稀疏编码的性能主要依靠过完备字典的重构性和判别性来确定,所以构造一个判别性字典对于稀疏表示和联合稀疏表示而言至关重要。根据高光谱图像和人脸图像的特点,本文提出以下两种改进的分类算法。1、在高光谱图像分类领域联合稀疏表示具有高效快捷的优势。然而每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,分类性能会严重降低。当前这个问题的研究为人们所关注。根据高光谱图像的特点,提出一种融合分层深度网络的联合稀疏表示算法。通过在光谱和空间特征学习之间交替来提取判别性光谱信息和空间信息,构建一个兼具空谱特征的学习字典并用于联合稀疏表示。在分类过程中将学习字典与测试样本间的相关系数与分类误差融合在一起进行决策。为验证融合分层深度网络的联合稀疏表示算法的有效性,本文在两个传统的高光谱数据集上进行仿真模拟实验,与目前较为流行和传统的算法相比具有良好的效果。2、在人脸图像分类领域极端学习机和判别性...
【文章来源】：辽宁师范大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
YaleB人脸数据库Fig.4.1YaleBFaceDatabase
湃肆惩枷褡魑?盗费?荆??Ｓ嗤枷褡魑?馐匝?尽?R人脸数据库的部分人脸图像展示如图4.4所示。在基于AR人脸数据库进行模拟仿真实验中惩罚参数α，γ和分别设置为50，0.01，50，极端学习机隐含层节点个数设置为1000，字典原子个数设置为500。重复进行5次对比实验，平均准确率、训练时间、测试时间如表4.3所列。此外，使训练样本数目分别为12，14，…，22，24时ADL-AELM算法的平均准确率变化如图4.5所示；使极端学习机隐含层节点个数分别为200，400，600，…，1800，2000时ADL-AELM算法的平均准确率变化如图4.6所示。图4.4AR人脸数据库Fig.4.4ARfacedatabase表4.3在AR人脸数据库上相关算法的分类准确率与计算时间Tab.4.3ClassificationAccuracyandComputingTimeonARFaceDatabase算法准确率/%训练时间/s测试时间/sSRC92.330.00110.97LC-KSVD89.5010.390.15LCLE-DL91.383.870.14SLC-ADL97.201.410.14SADL95.83753.800.05ADL-AELM97.205.090.16
鸬?5张图像作为训练样本，将剩余图像作为测试样本[150]。ORL人脸数据库的部分人脸图像如图4.7所示。在基于ORL人脸数据库进行模拟仿真实验中惩罚参数α，γ和分别设置为0.1，0.001，0.1，极端学习机隐含层节点个数设置为1000，字典原子个数设置为120。重复进行5次对比实验，平均准确率、训练时间、测试时间如表4.4所列。此外，使训练样本数目分别为2，3，…，8，9时ADL-AELM算法的平均识别率变化如图4.8所示；使极端学习机隐含层节点个数分别为200，400，…，1800，2000时ADL-AELM算法的平均识别率变化如图4.9所示。图4.7ORL人脸数据库Fig.4.7ORLfacedatabase表4.4在ORL人脸数据库上相关算法的分类准确率与计算时间Tab.4.4ClassificationAccuracyandComputingTimeonORLFaceDatabase算法准确率/%训练时间/s测试时间/sSRC93.500．0009.31LC-KSVD96.000.650.03LCLE-DL89.000.160.02SLC-ADL96.501.500.11SADL87.5022.880.01ADL-AELM98.007.370.21
【参考文献】：
期刊论文
[1]基于局部保持的遥感场景零样本分类算法[J]. 吴晨,王宏伟,王志强,袁昱纬,刘宇,程红,全吉成. 光学学报. 2019(07)
[2]基于自适应核联合稀疏表示的多特征高光谱图像分类[J]. 张会敏,杨明,吕静. 中国科学技术大学学报. 2018(04)
[3]一种基于差异系数的稀疏度自适应图像去噪算法[J]. 焦莉娟,王文剑. 计算机科学. 2018(02)
[4]基于流形学习的极端学习机及其在人脸识别中的应用[J]. 张海英,闫德勤,杨伊,楚永贺. 计算机测量与控制. 2016(12)
[5]一种位置无关的多模型移动用户行为识别方法[J]. 王忠民,韩帅,宋辉. 计算机应用研究. 2017(04)
[6]基于全局和分离部件融合的双L1稀疏表示人脸图像识别算法[J]. 胡正平,宋淑芬. 模式识别与人工智能. 2012(02)
博士论文
[1]基于稀疏表示的语音盲解卷积和房间脉冲响应建模方法研究[D]. 关键.哈尔滨工业大学 2018
[2]遥感数据分析中的特征表示方法研究[D]. 杭仁龙.南京信息工程大学 2017
[3]余弦度量下的高维数据降维及分类方法研究[D]. 刘胜蓝.大连理工大学 2015
[4]面向人脸识别的流形正则化判别特征提取算法研究[D]. 张强.上海交通大学 2013
[5]基于高分辨距离像的雷达自动目标识别研究[D]. 廖阔.电子科技大学 2012
硕士论文
[1]基于解析型字典学习的数据分类方法研究[D]. 王久君.大连理工大学 2018
[2]基于新特性非负矩阵分解方法的行为识别研究[D]. 卜海丽.西安电子科技大学 2018
[3]面积主成分分析及应用[D]. 李瑾.西安电子科技大学 2018
[4]基于深度学习的数字取证中文件碎片类型检测算法研究[D]. 陈倩.哈尔滨工业大学 2018
[5]基于联合稀疏表示的高光谱遥感图像分类[D]. 李佳逊.长安大学 2018
[6]步态识别中的不变特征提取算法设计和研究[D]. 陈海峰.深圳大学 2017
[7]基于极限学习机的分类问题研究[D]. 李丽娜.辽宁师范大学 2017
[8]基于稀疏编码的图像识别算法的研究及应用[D]. 严旭东.江南大学 2017
[9]基于多特征的面向对象高分辨率遥感图像分类[D]. 邹瑞雪.电子科技大学 2017
[10]高光谱图像空谱联合监督分类算法及软件系统[D]. 蒋珏.南京理工大学 2017
本文编号：3268350
【文章来源】：辽宁师范大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
YaleB人脸数据库Fig.4.1YaleBFaceDatabase
湃肆惩枷褡魑?盗费?荆??Ｓ嗤枷褡魑?馐匝?尽?R人脸数据库的部分人脸图像展示如图4.4所示。在基于AR人脸数据库进行模拟仿真实验中惩罚参数α，γ和分别设置为50，0.01，50，极端学习机隐含层节点个数设置为1000，字典原子个数设置为500。重复进行5次对比实验，平均准确率、训练时间、测试时间如表4.3所列。此外，使训练样本数目分别为12，14，…，22，24时ADL-AELM算法的平均准确率变化如图4.5所示；使极端学习机隐含层节点个数分别为200，400，600，…，1800，2000时ADL-AELM算法的平均准确率变化如图4.6所示。图4.4AR人脸数据库Fig.4.4ARfacedatabase表4.3在AR人脸数据库上相关算法的分类准确率与计算时间Tab.4.3ClassificationAccuracyandComputingTimeonARFaceDatabase算法准确率/%训练时间/s测试时间/sSRC92.330.00110.97LC-KSVD89.5010.390.15LCLE-DL91.383.870.14SLC-ADL97.201.410.14SADL95.83753.800.05ADL-AELM97.205.090.16
鸬?5张图像作为训练样本，将剩余图像作为测试样本[150]。ORL人脸数据库的部分人脸图像如图4.7所示。在基于ORL人脸数据库进行模拟仿真实验中惩罚参数α，γ和分别设置为0.1，0.001，0.1，极端学习机隐含层节点个数设置为1000，字典原子个数设置为120。重复进行5次对比实验，平均准确率、训练时间、测试时间如表4.4所列。此外，使训练样本数目分别为2，3，…，8，9时ADL-AELM算法的平均识别率变化如图4.8所示；使极端学习机隐含层节点个数分别为200，400，…，1800，2000时ADL-AELM算法的平均识别率变化如图4.9所示。图4.7ORL人脸数据库Fig.4.7ORLfacedatabase表4.4在ORL人脸数据库上相关算法的分类准确率与计算时间Tab.4.4ClassificationAccuracyandComputingTimeonORLFaceDatabase算法准确率/%训练时间/s测试时间/sSRC93.500．0009.31LC-KSVD96.000.650.03LCLE-DL89.000.160.02SLC-ADL96.501.500.11SADL87.5022.880.01ADL-AELM98.007.370.21
【参考文献】：
期刊论文
[1]基于局部保持的遥感场景零样本分类算法[J]. 吴晨,王宏伟,王志强,袁昱纬,刘宇,程红,全吉成. 光学学报. 2019(07)
[2]基于自适应核联合稀疏表示的多特征高光谱图像分类[J]. 张会敏,杨明,吕静. 中国科学技术大学学报. 2018(04)
[3]一种基于差异系数的稀疏度自适应图像去噪算法[J]. 焦莉娟,王文剑. 计算机科学. 2018(02)
[4]基于流形学习的极端学习机及其在人脸识别中的应用[J]. 张海英,闫德勤,杨伊,楚永贺. 计算机测量与控制. 2016(12)
[5]一种位置无关的多模型移动用户行为识别方法[J]. 王忠民,韩帅,宋辉. 计算机应用研究. 2017(04)
[6]基于全局和分离部件融合的双L1稀疏表示人脸图像识别算法[J]. 胡正平,宋淑芬. 模式识别与人工智能. 2012(02)
博士论文
[1]基于稀疏表示的语音盲解卷积和房间脉冲响应建模方法研究[D]. 关键.哈尔滨工业大学 2018
[2]遥感数据分析中的特征表示方法研究[D]. 杭仁龙.南京信息工程大学 2017
[3]余弦度量下的高维数据降维及分类方法研究[D]. 刘胜蓝.大连理工大学 2015
[4]面向人脸识别的流形正则化判别特征提取算法研究[D]. 张强.上海交通大学 2013
[5]基于高分辨距离像的雷达自动目标识别研究[D]. 廖阔.电子科技大学 2012
硕士论文
[1]基于解析型字典学习的数据分类方法研究[D]. 王久君.大连理工大学 2018
[2]基于新特性非负矩阵分解方法的行为识别研究[D]. 卜海丽.西安电子科技大学 2018
[3]面积主成分分析及应用[D]. 李瑾.西安电子科技大学 2018
[4]基于深度学习的数字取证中文件碎片类型检测算法研究[D]. 陈倩.哈尔滨工业大学 2018
[5]基于联合稀疏表示的高光谱遥感图像分类[D]. 李佳逊.长安大学 2018
[6]步态识别中的不变特征提取算法设计和研究[D]. 陈海峰.深圳大学 2017
[7]基于极限学习机的分类问题研究[D]. 李丽娜.辽宁师范大学 2017
[8]基于稀疏编码的图像识别算法的研究及应用[D]. 严旭东.江南大学 2017
[9]基于多特征的面向对象高分辨率遥感图像分类[D]. 邹瑞雪.电子科技大学 2017
[10]高光谱图像空谱联合监督分类算法及软件系统[D]. 蒋珏.南京理工大学 2017
本文编号：3268350
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3268350.html
最近更新
教材专著
