局部保持投影算法邻域优化及其在图像检索中的应用

论文摘要

随着大量高维数据如图片,视频等的出现,数据降维技术越来越受到人们的重视和关注。流形学习是当前十分热门的降维方法,它主要分为线性和非线性两种。其中,局部保持投影（LPP）算法是非线性方法拉普拉斯特征映射（LE）算法的一个线性表示。它不仅像LE等非线性方法一样可以有效地保留数据本身的非线性结构,同时也具有线性方法计算简单等特点。因此,常用于图像检索等领域。LPP的缺点是对邻域选择比较敏感,易受噪声影响等。本文在分析和总结LPP算法的基础上,对LPP算法中的邻域优化问题及其在图像检索中的应用等内容进行了深入研究。归纳起来,本文的研究工作包括以下几个方面:1)针对LPP中存在的邻域选择问题引入了基于流形结构的邻域选择框架。依据其实现方式的不同,提出了两种改进算法:基于流形排序的LPP（简称MRLPP）和基于流形距离的LPP（简称MDLPP）。MRLPP是在样本空间构建的邻接图中进行流形排序,把排序值最大的前K个样本作为其K -近邻,MDLPP则是在连通图中计算样本点在流形空间中的最短距离来寻找K -近邻。实验结果表明这两种方法的性能要明显好于原始的LPP。2)在实验过程中,为了便于更直观的观察各种算法降维之后的效果,我们提出了一种新颖的可视化途径——邻接矩阵图。通过这种邻接矩阵图可以方便的观察和比较各种算法在任意维度上的降维效果。3)将基于流形结构的邻域选择方法进一步引入到半监督LPP算法（SSLPP）中,提出了基于流形距离的半监督LPP（简称MDSSLPP）。实验结果验证MDSSLPP算法不仅可以很好地反映出原始数据的近邻信息,而且能够更加充分地利用标记样本的监督信息。4)将MDLPP和MDSSLPP算法应用在基于内容的图像检索系统中。同时,加入了原始的LPP和SSLPP。通过统计和比较这些算法的准确率,进一步反映出我们的算法在应用中的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 流形学习与降维
• 1.2.1 无监督流形降维
• 1.2.2 有监督流形降维
• 1.2.3 半监督流形降维
• 1.3 流形学习发展历程
• 1.3.1 线性流形学习
• 1.3.2 非线性流形学习
• 1.4 本文的研究内容
• 1.5 本文的结构安排
• 第二章 流形学习算法介绍
• 2.1 线性流形学习算法介绍
• 2.1.1 主成分分析法（PCA）
• 2.1.2 线性判别分析法（LDA）
• 2.1.3 局部保持投影（LPP）
• 2.2 非线性流形学习算法介绍
• 2.2.1 拉普拉斯特征映射（LE）
• 2.2.2 局部线性嵌入（LLE）
• 2.3 流形学习算法异同点分析
• 2.4 本章小结
• 第三章 LPP 中邻域选择问题的分析及优化
• 3.1 LPP 算法流程
• 3.2 LPP 邻域选择中存在的问题分析
• 3.3 基于流形结构邻域选择的LPP
• 3.3.1 基于流形排序的LPP
• 3.3.2 基于流形距离的LPP
• 3.3.3 基于流形结构的邻域选择问题小结
• 3.4 实验对比和分析
• 3.4.1 评判指标
• 3.4.2 实验设计
• 3.4.3 不同数据集上的实验对比
• 3.5 本章小结
• 第四章 基于流形距离邻域优化的半监督LPP
• 4.1 半监督降维概念介绍
• 4.2 半监督LPP 算法（SSLPP）
• 4.3 基于流形距离邻域优化的半监督LPP 算法（MDSSLPP）
• 4.4 SSLPP 与MDSSLPP 算法分析
• 4.5 实验对比和分析
• 4.5.1 评判指标
• 4.5.2 实验设计
• 4.5.3 不同数据集上的实验对比
• 4.6 本章小结
• 第五章 MDLPP 和MDSSLPP 在基于内容的图像检索中的应用
• 5.1 图像检索技术介绍
• 5.1.1 基于文本的图像检索技术
• 5.1.2 基于内容的图像检索技术
• 5.2 CBIR 系统设计
• 5.2.1 开发环境
• 5.2.2 系统框架
• 5.2.3 系统流程
• 5.3 检索示例
• 5.4 系统数据统计
• 5.4.1 统计数据
• 5.4.2 数据分析
• 5.5 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢