基于张量流形学习的图像分类技术研究

论文摘要

近年来，随着计算机和互联网技术的快速发展，图像数据的自动分类技术已经成为图像处理领域的热点研究问题之一，并且数据挖掘、模式识别、机器学习和计算机视觉等多个领域的技术在图像数据的自动分类中也得到了成功应用，然而图像分类算法的分类性能和计算效率还远远没有达到用户满意的程度，仍有许多难点问题亟待解决。本文在阐述现有图像分类算法不足的基础上，通过采用张量分析、流形学习、半监督学习和统计学习中的相关理论来实现图像数据的维数降维和分类器的优化设计。针对图像分类问题中存在的高维性、流形性、张量结构和半监督等特性，分别提出了基于张量间隔Fisher分析的图像分类技术、用于图像分类的张量半监督鉴别分析技术、基于张量生物启发式流形的图像分类技术。并且通过实验结果说明了所提算法的优越性，进而为设计新的图像分类系统提供了核心技术支持。

论文目录

• 摘要
• Abstract
• 详细摘要
• Detailed Abstract
• 1 绪论
• 1.1 本文的研究背景及意义
• 1.1.1 本文的研究背景
• 1.1.2 本文的研究意义
• 1.2 图像分类技术的研究现状
• 1.2.1 基于主成分分析的图像降维方法
• 1.2.2 基于线性鉴别分析的图像降维方法
• 1.2.3 基于非负矩阵分解的图像降维方法
• 1.2.4 基于流形学习的图像降维方法
• 1.2.5 其他的图像降维方法
• 1.3 目前存在的问题
• 1.4 本文的主要研究内容和创新点
• 1.4.1 本文的研究内容
• 1.4.2 本文的创新点
• 1.5 本文的组织结构
• 1.6 小结
• 2 相关理论基础
• 2.1 流形学习的理论基础
• 2.2 半监督学习的理论基础
• 2.3 张量分析的理论基础
• 2.4 图像分类系统的框架结构
• 2.5 小结
• 3 基于张量间隔 Fisher 分析的图像分类技术
• 3.1 引言
• 3.2 基于张量间隔 Fisher 分析的图像分类算法
• 3.2.1 图像数据的Gabor特征提取
• 3.2.2 张量间隔Fisher分析的计算
• 3.2.3 高效支持向量机分类器的设计
• 3.3 基于张量间隔 Fisher 分析的图像分类算法描述
• 3.4 实验与分析
• 3.4.1 实验的建立
• 3.4.2 实验结果及分析
• 3.5 小结
• 4 用于图像分类的张量半监督鉴别分析技术
• 4.1 引言
• 4.2 基于张量半监督鉴别分析的图像分类算法
• 4.2.1 基于Shearlet变换的图像特征提取
• 4.2.2 半监督鉴别分析的张量化扩展
• 4.2.3 高效拉普拉斯最小平方分类器的设计
• 4.3 基于张量半监督鉴别分析的图像分类算法描述
• 4.4 实验及分析
• 4.4.1 实验的建立
• 4.4.2 实验结果及分析
• 4.5 小结
• 5 基于张量生物启发式流形的图像分类技术
• 5.1 引言
• 5.2 基于张量生物启发式流形的图像分类算法
• 5.2.1 图像数据的生物启发式特征提取
• 5.2.2 张量局部鉴别分析的计算
• 5.2.3 最小最大概率机分类器的优化设计
• 5.3 基于张量生物启发式流形的图像分类算法描述
• 5.4 实验与分析
• 5.4.1 实验的建立
• 5.4.2 实验结果与分析
• 5.5 小结
• 6 全文总结及展望
• 参考文献
• 致谢
• 作者简介
• 在学期间发表的学术论文