基于稀疏表示的图像识别

论文摘要

随着信息采集技术和传感器技术的迅速发展,实际获取的图像数据的维数越来越高,如何有效地描述图像,方便后续处理,如图像分析和识别,已成为图像处理、模式识别、机器学习等领域急需要解决的问题之一。在已有的众多方法中,稀疏描述以其鲁棒性好、泛化能力和抗干扰能力强等优势,已成为目前研究的热点；缺点是稀疏表示方法需要的训练图像过多,造成计算量过大,且忽略了图像内在几何结构,导致性能不是足够的好。针对此问题,论文从稀疏表示入手,深入研究了基于字典学习的图像稀疏表示和判别流形学习的稀疏编码。论文的主要研究内容和创新点如下：1.概述了压缩传感的理论框架以及其各个组成部分的原理。介绍了常用稀疏表示的方法、测量矩阵构造方法以及重建算法。2.提出了一种基于字典学习的稀疏表示图像识别方法。该方法使用K-SVD算法学习字典,有效地减少了字典库中的原子个数,获得了描述能力比较好的字典库；然后通过重构图像,根据图像残余差进行分类。实验结果表明：当字典大小相同时,所提方法明显提高了图像分类性能；当识别率相同或比较接近时,所提方法需要的原子个数远小于经典稀疏表述方法所需的原子个数。3.针对稀疏编码忽略了图像空间的几何结构,导致性能不是足够的好,提出了融合判别流形学习的稀疏编码方法（Discriminat Graph Sparse Coding, DGSC）。DGSC利用两个邻接图来分别刻画图像空间的内在几何结构和判别几何结构,然后将其和稀疏描述相结合,给出字典学习和求解稀疏系数的有效求解算法。最后根据支持向量机（Support Vector Machine, SVM）进行分类,取得了不错的效果。实验结果证实了所提方法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题来源与研究背景
• 1.1.1 课题来源
• 1.1.2 研究背景
• 1.2 研究现状
• 1.2.1 常见的人脸识别方法
• 1.3 人脸识别产业的发展
• 1.4 本论文的研究内容及安排
• 第二章 稀疏表示理论基础
• 2.1 引言
• 2.2 信号稀疏表示
• 2.2.1 信号稀疏表示原理
• 2.2.2 过完备字典的稀疏分解
• 2.3 压缩感知理论
• 2.3.1 压缩感知介绍以及基本思想
• 2.3.2 常用的稀疏表示求解算法介绍
• 2.4 稀疏表示的应用
• 2.5 本章小结
• 第三章 基于字典学习的图像稀疏表示及识别
• 3.1 引言
• 3.2 字典学习介绍
• 3.2.1 常见的字典学习方法
• 3.2.2 MOD和K-SVD字典学习算法比较
• 3.3 基于字典学习的人脸识别
• 3.4 实验结果
• 3.4.1 Extended Yale B库的仿真结果与分析
• 3.4.2 手写阿拉伯数字库的仿真结果与分析
• 3.4.3 AR人脸库的仿真结果与分析
• 3.5 本章小结
• 第四章 判别稀疏编码及图像分类
• 4.1 引言
• 4.2 流形学习介绍
• 4.2.1 流形学习的主要思想和方法
• 4.2.2 局部保持投影（LPP）理论介绍
• 4.3 稀疏编码理论简介
• 4.4 图表正规化的稀疏编码（Graph Regularized Sparse Coding）介绍
• 4.5 基于判别流形学习稀疏编码方法
• 4.5.1 MFA原理简介
• 4.5.2 目标函数的求解方式
• 4.6 实验结果
• 4.6.1 USPS手写数字数据库仿真结果与分析
• 4.6.2 COIL20图像库仿真结果与分析
• 4.7 本章小结
• 第五章 总结与展望
• 5.1 本文工作内容总结
• 5.2 展望
• 致谢
• 参考文献
• 研究成果