基于圖方法的圖像集合表示與分類.pdf

1、隨著計(jì)算機(jī)軟件、硬件的迅猛發(fā)展，產(chǎn)生了大量的圖像或視頻等數(shù)據(jù)，如何有效快速地對這些數(shù)據(jù)進(jìn)行分析是當(dāng)前計(jì)算機(jī)視覺與模式識別領(lǐng)域中的重點(diǎn)研究問題。近年來，基于圖像集合的識別問題吸引了學(xué)者們的廣泛關(guān)注，相比于傳統(tǒng)的基于單幅圖像的識別問題，圖像集合包含更多具有差異的圖像樣本，能夠提供更有效、更豐富的信息?；趫D像集合的識別問題存在以下兩大挑戰(zhàn):(1).圖像集合的表示問題;(2).圖像集合的分類問題。圖論在計(jì)算機(jī)視覺與模式識別領(lǐng)域中具有非常成功的

2、應(yīng)用。圖能夠很好的描述物體，包括對物體的特征或物體與物體之間的關(guān)系信息的描述，但傳統(tǒng)的基于圖論的方法通常都應(yīng)用在基于單幅圖像的問題中，并不適用于圖像集合分類等問題。本文將圖的相關(guān)理論應(yīng)用到圖像集合表示與分類問題中，提出了基于圖方法的圖像集合表示與分類方法，主要內(nèi)容如下:
　　(1)在圖像集合的表示方法上，提出了協(xié)變量相關(guān)圖表示模型。協(xié)變量相關(guān)圖的頂點(diǎn)為圖像集合數(shù)據(jù)矩陣中的協(xié)變量，邊為協(xié)變量之間的關(guān)系（如相似性），其中協(xié)變量之間的相

3、似性可由線性函數(shù)、拉普拉斯函數(shù)、高斯函數(shù)等幾種函數(shù)進(jìn)行度量。對圖像集合進(jìn)行圖表示后，圖像集合的分類問題則轉(zhuǎn)化為圖的分類問題，在分類問題上，采用線性判別分析方法對圖像集合進(jìn)行分類。在進(jìn)行分類之前，需要對圖像集合之間的相似性進(jìn)行度量，由于圖像集合包含豐富的圖像樣本信息，大量的數(shù)據(jù)是呈非線性的、計(jì)算復(fù)雜，所以一般的距離度量方法并不能直接用于圖像集合之間的相似性度量，為了解決該問題，本文定義一種核方法能夠?qū)⒎蔷€性數(shù)據(jù)映射到歐式空間中，從而形成線

4、性數(shù)據(jù)，在此基礎(chǔ)上，可用歐式空間的度量方法對其相似性進(jìn)行度量。實(shí)驗(yàn)部分主要分為兩個方面，對原始數(shù)據(jù)直接進(jìn)行分析或在對原始數(shù)據(jù)加入某些噪聲后再進(jìn)行實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果說明協(xié)變量相關(guān)圖表示方法的有效性。
　　(2)針對圖像集合的表示問題，在協(xié)變量相關(guān)圖表示方法的基礎(chǔ)上，提出了屬性協(xié)變量相關(guān)圖表示模型，并在此基礎(chǔ)上提出了圖稀疏表示分類算法。該表示模型同時考慮圖像集合的協(xié)變量自身信息以及協(xié)變量與協(xié)變量之間的關(guān)系信息，即所構(gòu)造的圖的頂點(diǎn)和邊都

5、具有屬性值，相比于協(xié)變量相關(guān)圖表示模型，該屬性圖同時考慮頂點(diǎn)屬性的一階信息和邊屬性的二階信息，對信息的利用率有一定的提升。針對圖像集合的分類問題，本文結(jié)合屬性圖理論和稀疏表示理論，提出了圖稀疏表示分類算法，利用圖稀疏表示算法對屬性協(xié)變量相關(guān)圖表示模型進(jìn)行重構(gòu)，給出了算法模型的構(gòu)造方法，對屬性協(xié)變量相關(guān)圖表示模型進(jìn)行重構(gòu)后，詳細(xì)介紹了算法模型的求解過程以及優(yōu)化方法，最后給出了收斂性證明與算法的分類準(zhǔn)則。實(shí)驗(yàn)部分對含噪聲的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)

6、結(jié)果證明了所介紹的屬性協(xié)變量相關(guān)圖表示方法的有效性和魯棒性。
　　(3)針對圖像集合的表示問題，在協(xié)變量相關(guān)圖表示方法的基礎(chǔ)上，提出了基于低秩子空間與協(xié)變量相關(guān)圖的圖像集合表示模型。因?yàn)閳D像集合所包含的圖像樣本之間差異較大，將圖像集合表示成同一子空間則會影響對圖像集合的描述效果。本文進(jìn)一步研究了圖像集合的低秩子空間表示，介紹了圖像集合的低秩表示方法及求解過程，在低秩表示的基礎(chǔ)上，運(yùn)用譜聚類方法對圖像集合進(jìn)行子空間的劃分，并利用協(xié)變