基于非负矩阵分解的图像分类算法研究

发布时间：2017-04-19 11:00

  本文关键词：基于非负矩阵分解的图像分类算法研究，由笔耕文化传播整理发布。

【摘要】：图像底层视觉特征与高层语义之间存在的“语义鸿沟”,成为影响图像内容语义理解的瓶颈。为了缩小语义鸿沟,提高图像内容的利用效率,核心问题是如何有效地表示图像的视觉特征,因为图像的特征表示直接影响到分类器的设计及图像的分类结果。同时,由于图像视觉特征的维数往往较高,会对图像分类的识别率和运行时间产生很大的影响。因此,针对图像视觉特征进行有效降维,成为模式识别、计算机视觉和图像处理等领域中研究热点之一。矩阵分解技术作为数据表示的一种重要方法,近年来获得了广泛关注和深入研究。与已有的矩阵分解方法有主成分分析算法、线性判别分析算法、独立分量分析算法、奇异值分解算法等不同,非负矩阵分解算法(NMF)在求解时要求待分解对象及结果矩阵中的元素均为非负值。NMF的这种约束符合心理学和生理学的观点,即人对整体的感知是由组成部分的感知构成。NMF的基本思想是将一个所有元素均为非负的矩阵分解为左右两个非负矩阵的乘积。其中一个矩阵称作基矩阵,另一个矩阵称作系数矩阵。在NMF框架中,所分解矩阵中的列向量可以解释为对基矩阵中所有列向量的加权之和。为了提高NMF算法的有效性,不少学者在基本的NMF框架下引入各种约束,如稀疏性、正交性、判别性、流形等,发展了若干种改进算法,并被应用到诸如人脸检测与识别、数字水印、基因及细胞分析、乐器识别、声源分类、文本分析与聚类、盲信号分析等,取得了良好的效果。本文基于NMF框架,主要研究如何通过施加约束增强NMF性能,及在线学习增强非负矩阵分解NMF的性能,并将其应用于图像分类问题当中。文中提出了三种非负矩阵分解的改进方法:(1)基于图正则化和稀疏约束的半监督非负矩阵分解算法;(2)基于稀疏约束的增量型非负矩阵分解;(3)基于图正则化和稀疏约束的增量型非负矩阵分解。在完成图像降维和特征提取后,选取支持向量机(SVM)用于图像分类处理。在几个常用的数据库上进行了验证实验,实验结果表明本文的算法稳定性好且分类准确率高。
【关键词】：非负矩阵分解 图正则化 增量型 图像分类 支持向量机
【学位授予单位】：辽宁工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP18
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-14
• 1.1 研究背景及意义8-10
• 1.2 国内外研究现状10-13
• 1.2.1 非负矩阵分解10-11
• 1.2.2 图像分类11-13
• 1.3 论文的研究内容与章节安排13-14
• 2 非负矩阵分解基本理论14-27
• 2.1 非负矩阵分解简介14-15
• 2.2 非负矩阵分解的目标函数15-16
• 2.3 迭代规则以及算法的收敛性16-20
• 2.3.1 迭代规则16-17
• 2.3.2 收敛性证明17-20
• 2.4 非负矩阵分解的改进算法20-24
• 2.4.1 半监督非负矩阵分解算法21
• 2.4.2 图正则非负矩阵分解算法21-22
• 2.4.3 增量型非负矩阵分解算法22-23
• 2.4.4 半非负矩阵分解算法23-24
• 2.5 非负矩阵分解的应用24-26
• 2.6 本章小结26-27
• 3 基于图正则化和稀疏约束的半监督非负矩阵分解27-38
• 3.1 基于图正则化和稀疏约束的半监督非负矩阵分解算法27-28
• 3.2 GCNMFS算法收敛性证明28-30
• 3.3 实验结果与分析30-37
• 3.3.1 数据集30-31
• 3.3.2 评价指标31-32
• 3.3.3 实验结果32-36
• 3.3.4 基图像的稀疏度36-37
• 3.4 本章小结37-38
• 4 基于稀疏约束的增量型非负矩阵分解38-49
• 4.1 基于稀疏约束的增量型非负矩阵分解算法38-42
• 4.1.1 基于3/2l稀疏约束的INMF算法38-40
• 4.1.2 基于2l稀疏约束的INMF算法40-41
• 4.1.3 基于1l稀疏约束的INMF算法41-42
• 4.2 基于INMFSC算法的图像分类42-43
• 4.3 实验结果与分析43-48
• 4.3.1 数据集43-44
• 4.3.2 实验结果44-47
• 4.3.3 稀疏度度量47-48
• 4.4 本章小结48-49
• 5 基于图正则化和稀疏约束的增量型非负矩阵分解49-59
• 5.1 基于图正则化和稀疏约束的增量型非负矩阵分解算法49-51
• 5.1.1 目标函数49
• 5.1.2 迭代规则49-51
• 5.2 图像表示和分类实验51-58
• 5.2.1 数据集51-52
• 5.2.2 实验结果52-57
• 5.2.3 稀疏度度量57-58
• 5.3 本章小结58-59
• 6 总结与展望59-60
• 6.1 论文总结59
• 6.2 研究展望59-60
• 参考文献60-62
• 攻读硕士期间发表学术论文情况62-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 何光辉;张太平;;保持拓扑性非负矩阵分解法在人脸识别的应用[J];计算机工程与应用;2010年14期

2 史加荣;焦李成;尚凡华;;不完全非负矩阵分解的加速算法[J];电子学报;2011年02期

3 王文俊;张军英;;一种非负矩阵分解的快速方法[J];计算机工程与应用;2009年25期

4 张雷鸣;李秋丹;廖胜才;;非负矩阵分解在标签语义分析中的应用[J];计算机科学;2010年04期

5 于彬;;基于局部非负矩阵分解的人脸识别[J];科学技术与工程;2010年33期

6 姜伟;杨炳儒;隋海峰;;局部敏感非负矩阵分解[J];计算机科学;2010年12期

7 宋金歌;杨景;陈平;佘玉梅;;一种非负矩阵分解的快速稀疏算法[J];云南民族大学学报(自然科学版);2011年04期

8 高燕燕;;非负矩阵分解及其应用探讨[J];硅谷;2011年23期

9 郝红;徐常青;张新平;;基于非负矩阵分解的航拍图像信息提取[J];浙江农林大学学报;2012年01期

10 吴荣玉;樊丰;舒建;;基于非负矩阵分解的鲁棒哈希函数验证性研究[J];电子技术应用;2012年01期

中国重要会议论文全文数据库 前10条

1 孙江明;李通化;;非平滑三维非负矩阵分解[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 蒋永锴;叶东毅;;基于稀疏非负矩阵分解的自动多文摘方法[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

3 马帅;吴飞;杨易;邵健;;基于稀疏非负矩阵分解的图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年

4 徐利民;龚珊;余再军;;奇异值分解与非负矩阵分解色在数据降维方面的特性分析[A];2010年通信理论与信号处理学术年会论文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非负矩阵分解和支持向量机的轴心轨迹图识别[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

6 蒋霈霖;;KL散度下的非负矩阵分解[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

8 钱乐乐;高隽;徐小红;;非负性约束的图像稀疏编码[A];第七届全国信息获取与处理学术会议论文集[C];2009年

9 朱昊;黄源水;付梦印;;基于NMF的道路识别算法在野外环境感知中的应用[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

10 郑能恒;蔡毅;李霞;Tan Lee;;基于非负矩阵分解和向量相似测度的语音与音乐分离算法[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年

中国博士学位论文全文数据库 前8条

1 杨士准;基于样本和特征的迁移学习方法及应用[D];国防科学技术大学;2013年

2 叶军;基于正则化方法的非负矩阵分解算法及其应用研究[D];南京理工大学;2014年

3 胡俐蕊;非负矩阵分解方法及其在选票图像识别中的应用[D];安徽大学;2013年

4 殷海青;图像分析中的非负矩阵分解理论及其最优化和正则化方法研究[D];西安电子科技大学;2011年

5 杨洪礼;非负矩阵与张量分解及其应用[D];山东科技大学;2011年

6 史加荣;多尺度张量逼近及应用[D];西安电子科技大学;2012年

7 方蔚涛;人脸识别特征抽取算法的研究[D];重庆大学;2012年

8 刘昱昊;基于非负矩阵分解算法的人脸识别技术的研究[D];吉林大学;2014年

中国硕士学位论文全文数据库 前10条

1 谢昊;非负矩阵分解初始化及其应用[D];暨南大学;2015年

2 王一;凸与半非负矩阵分解的近点梯度方法研究[D];东北师范大学;2015年

3 项磊;基于乳腺癌计算机辅助诊断的病理图像分析[D];南京信息工程大学;2015年

4 王丹;基于非负矩阵分解的脑电信号特征提取算法研究[D];燕山大学;2015年

5 马春霞;非负矩阵分解及在基因表达数据分析中的应用研究[D];曲阜师范大学;2015年

6 崔艳荣;基于非负矩阵分解的高光谱遥感数据融合方法分析及应用[D];电子科技大学;2014年

7 赖淑珍;非负矩阵分解若干算法研究与应用[D];电子科技大学;2014年

8 赵龙;基于多流形正则化非负矩阵分解的多视图聚类[D];大连理工大学;2015年

9 黄震;基于多视角非负矩阵分解的同名区分算法研究[D];大连理工大学;2015年

10 邵强;改进的非负矩阵分解算法及其在人脸识别中的应用[D];河北工业大学;2015年

  本文关键词：基于非负矩阵分解的图像分类算法研究，，由笔耕文化传播整理发布。

本文编号：316105