特征選擇與圖像匹配.pdf

1、在模式識(shí)別中，數(shù)據(jù)集包含有很多特征，同時(shí)樣本數(shù)量很不足，這時(shí)就會(huì)遇到“維數(shù)災(zāi)難”問題。因而，特征選擇在模式識(shí)別中起著很重要的作用。
　　特征選擇的目的是從原始的n個(gè)特征中找到m個(gè)特征，組成最佳特征集合。許多特征選擇算法都遇到一個(gè)速度難題。為了得到最優(yōu)的特征集合，需要窮取所有(n m)種特征組合。這通常會(huì)需要很大的計(jì)算量。當(dāng)特征數(shù)目很大時(shí)，窮取法計(jì)算量過大，令特征選擇無法進(jìn)行。次優(yōu)特征選擇算法雖然在時(shí)間上具備可行性，但無法保證尋找到

2、的特征集合是全局最優(yōu)。鑒于以上兩類方法的局限性，我們提出一種基于距離鑒別的特征選擇新算法(FSDD)。該算法能找著全局最優(yōu)解，且不需要采用窮取法或者分支界定法。經(jīng)過嚴(yán)格數(shù)學(xué)證明，我們將特征選擇中的組合問題被轉(zhuǎn)換成一個(gè)特征排序問題。這樣一來，搜索特征的時(shí)間花銷就大為減少。并且，提出的特征選擇算法對數(shù)據(jù)的線性轉(zhuǎn)換具有不變性。我們在8組數(shù)據(jù)上比較了本算法與ReliefF、mrmrMID的性能。實(shí)驗(yàn)結(jié)果表明，F(xiàn)SDD的性能好于這兩種方法，并且運(yùn)

3、算速度極快。
　　然而，上述算法存在一個(gè)缺點(diǎn)：它沒有考慮不同類別樣本概率分布的重疊度。該樣本分布重疊度包含有很多對模式識(shí)別有用的信息。因而，我們用概率密度距離來衡量不同類樣本分布重疊度。類別樣本的概率密度用Parzen窗函數(shù)來估計(jì)。兩者結(jié)合起來有個(gè)好處：概率密度距離中的積分可以積出來，避免了用求和運(yùn)算來近似積分運(yùn)算。因而，我們又提出了一種融合距離鑒別與樣本分布重疊度的特征選擇方法。
　　基于局部信息的圖像匹配算法有很廣泛的應(yīng)

4、用：例如，物體與場景識(shí)別、圖像檢索、立體視覺匹配、圖像拼接、寬基線圖像配準(zhǔn)等等。本文提出了一種基于梯度空間的圖像匹配方法。將圖像金字塔與Hessian矩陣行列式、跡的比值結(jié)合起來，用于檢測尺度不變特征點(diǎn)。特征點(diǎn)周圍像素點(diǎn)的梯度能被映射到梯度空間中的點(diǎn)。然后，梯度空間中點(diǎn)集合分布可以用方向幅度直方圖來描述。將點(diǎn)集合投影到過原點(diǎn)的直線簇上。投影點(diǎn)具有最大離散度的直線方向?yàn)橹鞣较颍瑢⒅鞣较蜃鳛樘卣鼽c(diǎn)方向。文中證明了提出的局部描述子具有旋轉(zhuǎn)不變