面向图像分类的分层稀疏表示方法研究

发布时间：2018-02-16 19:15

  本文关键词： 图像分类 分层特征学习 正交匹配追踪 空间池化 核稀疏表示　出处：《天津大学》2016年博士论文　论文类型：学位论文

【摘要】：随着计算机网络和多媒体技术的迅速发展,图像作为信息传播的重要载体,使得人类对事物的认知趋于简捷化。但面对海量图像数据时,如何对其进行高效分析和管理,已经成为亟待解决的问题。图像分类成为解决这类问题的基本途径,并被广泛应用于医学图像分析、基于内容的图像检索、网络图像搜索、基于手势的人机交互界面及机器人视觉等方向。图像分类中极具挑战性的任务是如何使计算机准确分辨图像各类间的相似性和类内差异性,而获取有效的图像表示则是其中的关键因素。因此,本文将探索用于深度结构的训练策略,围绕图像特征的提取过程,构建不同的分层稀疏表示模型。主要工作和创新点包含以下几个方面:(1)由于深度学习在计算机视觉和机器学习中的高速发展,特征表示对人工设计描述子的依赖正在减弱。而传统的判别式字典学习算法依然采用基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)描述子的空间金字塔特征进行相应的稀疏编码。因此,本文提出一种完全自动建立在图像原始像素基础上的分层特征学习结构,利用带有标签一致性约束的K-SVD(Label Consistent K-SVD,LC-KSVD)算法对已获取的图像特征训练判别式字典和最优的线性分类器。针对不同类型的图像数据集,该算法仅提取灰度或RGB类型图像块,在稠密采样后,使用高效的正交匹配追踪(Orthogonal Matching Pursuit,OMP)编码器得到分层的稀疏表示。因为结合了分层特征学习和有监督字典学习的优势,提出的算法明显提高了图像分类准确率。(2)针对非负正交匹配追踪(Non-negative OMP,NOMP)的编码效率问题,本文研究了快速非负正交匹配追踪(Fast NOMP,FNOMP)并将其应用于基于分层特征学习的全尺寸图像分类任务中,该算法可利用QR分解和系数迭代进行加速。将FNOMP与非监督式的分层训练方式进行结合后,仅利用gain-shape矢量量化作为字典学习方法,在稀疏编码阶段,FNOMP不仅明显比NOMP编码器更为高效,而且在图像分类准确率上优于基于OMP的算法。实验同时证明了该算法相对其它先进算法表现出更好的分类性能。(3)针对在深度网络中如何学习更优的空间池化策略,本文提出了一种联合可学习感受野的分层稀疏表示算法。该算法利用分类器与池化权重联合优化的方式构造池化算子,可获得更加丰富的基于特征的池化区域集。通过分析取和、取平均和取最大值三种不同类型的预池化方法,并结合编码阶段的稀疏度,字典规模以及感受野尺寸等相关参数的讨论,实验结果证明了所提算法在全尺寸图像分类任务上的有效性。(4)针对基于多核学习(Multiple Kernel Learning,MKL)的图像分类具有高计算复杂度和有效性评价不一致的问题,本文提出了一种基于分层特征级联的核稀疏表示算法。首先,该算法利用批量核正交匹配追踪(Batch Kernel OMP,BKOMP)分别对概率密度函数梯度方向直方图和空间金字塔特征进行单层的核稀疏编码,然后将两类低维核稀疏表示进行级联,再通过基于核方法的KSVD(Kernel K-SVD,KKSVD)学习字典,最后由BKOMP生成最终的核稀疏表示并完成对线性支持向量机的训练。实验证明,当对各层特征选择适当的核函数及相应参数时,由此获取的低维核稀疏表示在多类图像数据集测试中均显著提高了图像分类准确率。
[Abstract]:......
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 张新鹏;王朔中;;基于稀疏表示的密写编码[J];电子学报;2007年10期

2 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

3 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

4 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

5 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

6 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

7 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

8 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

9 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

10 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

相关会议论文 前10条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

4 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

5 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

6 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

7 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

8 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

9 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

10 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

相关博士学位论文 前10条

1 王博;面向图像分类的分层稀疏表示方法研究[D];天津大学;2016年

2 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

3 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

4 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

5 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

6 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

7 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

8 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

9 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

10 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

相关硕士学位论文 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：1516241