欢迎来到天天文库
浏览记录
ID:34237029
大小:3.81 MB
页数:120页
时间:2019-03-04
《基于最近特征线图像特征提取算法的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、国内图书分类号:TP391.4学校代码:10213国际图书分类号:681.39密级:公开工工工学学学博博博士士士学学学位位位论论论文文文基于最近特征线的图像特征提取算法研究博士研究生:闫立军导师:潘正祥教授申请学位:工学博士学科:计算机应用技术所在单位:计算机科学与技术学院答辩日期:2012年03月授予学位单位:哈尔滨工业大学ClassifiedIndex:TP391.4U.D.C:681.39DissertationfortheDoctoralDegreeinEngineeringRESEARCHONIMAGEFEATUREEXTRACTIONALGORITHMSBASEDONNEARESTF
2、EATURELINECandidate:LijunYanSupervisor:Prof.Jeng-ShyangPanAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:ComputerApplicationTechonologyAffiliation:SchoolofComputerScienceandTechnologyDateofDefence:March,2012Degree-Conferring-Institution:HarbinInstituteofTechnology摘要摘要图像识别应用十分广泛,近年来成为一个研究热点。图像特征
3、提取是图像识别的一个重要步骤,在统计模式识别中,特征提取的思路是将样本的原始数据映射到一个相对低维的特征空间,在该低维空间中样本会更容易被区分。好的特征提取算法应该使样本更容易被区分。现有的特征提取算法多是基于欧几里德距离的,由于图像样本数据分布的复杂性,欧几里德距离在衡量图像的离散程度时,不一定是最优的。最近特征线是一种以特征线度量为核心的新的分类器。在处理图像分类和检索任务时有着优异的表现。但它仅仅是一种分类器,为了改良学习阶段的性能,基于特征线度量的子空间学习算法有待完善。本文以基于最近特征线的图像特征提取算法为核心研究内容,主要目的是解决基于最近特征线的子空间学习算法面临的运算复杂度高
4、、求取的结果不稳定等问题,以提高图像特征提取的性能。主要的研究成果如下:1.针对现有的基于最近特征线的子空间算法运算复杂度高、求取结果不稳定等缺点,提出了简化的最近特征线空间算法和邻域判别最近特征线分析。简化的最近特征线空间算法中仅最小化样本与离该样本最近的两个同类样本所构成的特征线的距离,而不是与所有类内特征线的距离,从而达到降低运算量的目的。邻域判别最近特征线分析的主要思想是使样本与离该样本最近的几个同类样本所组成的特征线的距离最小化,同时使样本与离该样本最近的几个异类样本所组成的特征线的距离最大化,达到减小类内散度、同时增大类间散度、降低误判的目的。2.提出了一种在离散分数阶余(正)弦变
5、换域,结合邻域判别特征线分析算法提取图像特征的框架。首先利用Fisher判别力准则和k近邻判别力准则自适应的寻找最具有判别力的离散分数阶余(正)弦变换域的阶数,然后将样本映射到该阶离散分数阶余(正)弦变换域,结合邻域判别最近特征线分析算法,提取图像的特征。3.提出了3种基于方向滤波器的图像特征提取算法。其中,单方向二维主成分分析、单方向二维线性判别分析和单方向邻域判别最近特征线分析考虑的是样本在单一方向上的统计特征,而多方向二维主成分分析、多方向二维线性判别分析和多方向邻域判别最近特征线分析综合考虑多个方向的信息;自适应加权子方向二维线性判别分析首先将输入的高维原始数据划分成-I-哈尔滨工业大
6、学工学博士学位论文若干子方向,然后利用二维线性判别分析对每个子方向降维,此外,采用自适应的方法计算每个子方向的判别力,增强算法的鲁棒性。4.针对二维线性判别分析和邻域判别最近特征线分析直接无法应用在单样本问题上的缺陷,提出了利用轮廓波变换构造新训练样本的算法,为单样本问题的解决提供新的思路。关键词:特征提取;子空间学习;最近特征线;轮廓波变换;离散分数阶余弦变换-II-AbstractAbstractImageRecognitionisappliedinmanyareasandhasbecomeahotresearchtopicrecentyears.Imagefeatureextractio
7、nisakeystepofimagerecognition.Instatisti-calpatternrecognition,generally,themainideaoffeatureextractionistoprojecttheoriginalsamplesdatatoalow-dimensionfeaturespace,inwhichthesamplesshouldbedistinguis
此文档下载收益归作者所有