基于分塊KPCA和極限學(xué)習(xí)機(jī)的圖像分類識(shí)別研究.pdf

1、計(jì)算機(jī)視覺(jué)是一門研究如何使用機(jī)器來(lái)觀察、理解世界的科學(xué)，尤其在這信息技術(shù)快速發(fā)展的時(shí)代，用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)圖像信息進(jìn)行處理、分析顯得尤為重要。圖像分割是圖像分析、理解和識(shí)別的基礎(chǔ)，分割效果直接決定了后續(xù)圖像分析和識(shí)別的性能。圖像分類是圖像處理領(lǐng)域的一部分，是在圖像分割基礎(chǔ)上進(jìn)一步對(duì)圖像分類、識(shí)別的研究。目前，已產(chǎn)生了很多圖像分類算法，其中基于神經(jīng)網(wǎng)絡(luò)的圖像分類算法應(yīng)用最為廣泛。但由于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在處理圖像分類時(shí)存在迭代次數(shù)多、易陷入

2、局部最優(yōu)等問(wèn)題，嚴(yán)重影響了其發(fā)展及應(yīng)用。而極限學(xué)習(xí)機(jī)是一種新的機(jī)器學(xué)習(xí)算法，由于其可調(diào)參數(shù)少，學(xué)習(xí)速度快以及良好的泛化性能等優(yōu)點(diǎn)，正日漸受到眾多研究學(xué)者們的青睞，但目前鮮有將其應(yīng)用于圖像處理領(lǐng)域的文獻(xiàn)報(bào)道。本學(xué)位論文將圖像分類識(shí)別作為研究重點(diǎn)，在圖像中引入最新理論成果——極限學(xué)習(xí)機(jī)(ELM)，發(fā)現(xiàn)了一種基于ELM的新型圖像分類識(shí)別算法。
　　論文主要分為三部分:第一部分介紹了圖像研究背景、意義及研究現(xiàn)狀;第二部分介紹了核主成分分析

3、(KPCA)理論，針對(duì)KPCA的缺點(diǎn)，采用分塊KPCA算法，同時(shí)用蟻群算法優(yōu)化KPCA參數(shù)，對(duì)圖像進(jìn)行特征提取，最后用極限學(xué)習(xí)機(jī)分類器對(duì)圖像進(jìn)行分類;第三部分介紹了壓縮采樣理論及兩類壓縮采樣問(wèn)題，利用壓縮采樣技術(shù)優(yōu)化極限學(xué)習(xí)網(wǎng)絡(luò)的輸入?yún)?shù)和隱層節(jié)點(diǎn)，最后通過(guò)仿真實(shí)驗(yàn)證明了該優(yōu)化網(wǎng)絡(luò)的可行性及有效性。本文創(chuàng)新點(diǎn)如下:
　　(1)KPCA作為一種全局方法，對(duì)樣本進(jìn)行特征提取時(shí)考慮的是樣本的整體信息，沒(méi)考慮到其局部特征信息。當(dāng)局部特征很

4、重要時(shí)，比如光照不同的情況下，使用KPCA進(jìn)行特征提取可能會(huì)丟掉一些很重要的局部信息。為此，提出了一種改進(jìn)的KPCA方法——分塊KPCA(MKPCA)策略，其基本思想是先將樣本分成幾個(gè)塊，之后使用KPCA對(duì)每一個(gè)塊提取特征。
　　(2)在KPCA算法中需給定一個(gè)核函數(shù)，該核函數(shù)可能會(huì)存在一個(gè)或幾個(gè)核參數(shù)，不同參數(shù)值的選擇會(huì)影響到特征提取結(jié)果以及最終實(shí)驗(yàn)結(jié)果的優(yōu)劣。因此，核方法中最重要的問(wèn)題是核參數(shù)選擇問(wèn)題。提出采用粒子群優(yōu)化算法優(yōu)