面向图像目标分类的字典学习算法研究.docxVIP

武汉理工大学本科生毕业设计（论文）开题报告1.目的及意义（含国内外的研究现状分析）1.1 研究目的及意义近年来，随着通信及多媒体技术、计算机网络、大容量储存设备以及数字图像设备如扫描仪、数字相机等技术的迅速发展，数字图像的使用也涉及国防军事、工业制造、医疗卫生、新闻媒体、大众娱乐和家庭生活等各方面。在如此广泛的应用背景下，产生大量的图像数据，并呈现了指数增长的趋势。如何更好地应用视觉数据，实现方便、迅速、准确地查询和检索到用户所需要的图像，已成为人们迫切需要解决的问题，而图像分类算法的有效性是保证数据挖掘、图像检索等效果的重要问题[1]。1.2 国内外研究现状当前图像目标分类算法中，不仅需要准确的提取了图像的特征，更重要的是如何有效缩小图像匹配的规模，也即所设计的分类器要高效、准确。通过现今国内外图像分类算法研究发现，分类器的设计主要在于分类方法的选择与特征向量的表达，当前存在的分类器按照先验知识的使用情况主要可分为无监督分类和有监督分类两种。无监督分类是指在缺乏先验知识的情况下，利用数据本身的统计属性进行分类，由于同类数据之间存在着内在相似性，而不同类数据差别较大，最常用的方法是聚类法。监督分类是指使用已知类别的训练样本和先验知识作为分类器的监督参数，通过分类器的决策进行分类，如常用的概率统计分类方法。以下为几种最为应用广泛的几种分类算法。贝叶斯分类方法是基于概率统计进行分类的方法[2]，主要通过训练样本集的总体分布作为每个类别的概率分布，利用Bayes定理预测未知类别的属性，并通过后验概率高的类别作为该样本类别，该分类方法对数据具有较好的分类效果，但需假定所测类别之间相互独立，在实际的很多数据中较难满足，同时学习训练复杂度较高。人工神经网络分类方法是一种基于人脑神经结构并模拟其结构和反应行为的工程方法，主要通过大量节点的广泛连接模拟人类神经，且各连接点都存在一定权值，在学习训练过程中，不断调节节点间的权值，进而预测输入样本的类别完成分类[3]。人工神经网络具有良好的适应能力，由于其数据存储与分类具有整体性分布特点，分类结果鲁棒性强，在处理基于内容的图像检索方面，尽管数据量大，种类繁多，多层BP神经网络依旧可以实现多特征之间的线性划分，但该方法也存有缺点：收敛速度慢，特别在处理无约束的非线性优化问题上，分类器设计更为复杂。支持向量机（Support VectorMachines，SVM）基于统计学习理论结构风险最小化和VC（Vapnik-Chervonenkis Dimension）理论，通过构造超平面来获取最佳的预测能力，从而使结构风险最小化[4]。SVM更适合于解决非线性问题，能得到全局最优解，使各类数据分类间隔最大化，在解决有限样本和多特征维数方面性能优异，泛化能力强，但在多分类问题上，存在过拟合现象。由于底层视觉特征与高层语义概念之间存有严重的语义鸿沟，各类分类算法所得的分类结果往往不能令人满意，人们进行了对这些算法进行了大量的改进，如在贝叶斯分类器的基础上加入相关反馈算法[5-6]，来获取较高的图像检索准确率；王兵等人提出了一种基于神经网络的交互式图像检索算法[7]，通过反馈信息，用户可动态调整神经网络中的神经元数目，以提高图像语义间的描述能力，改善分类效果;在支持向量机分类算法上，余强等运用支持向量基的统计分析能力，实现了图像的分类检索目的[8]，在消减语义鸿沟方面，张磊等人也提出了一种基于SVM的相关反馈算法[9]，将相关图像标记后作为训练样本进行SVM训练，再由SVM分类面实现图像库的分类检索近年来，随着压缩感知理论的发展[10]，图像的稀疏表示理论逐渐成为了人们的研究热点。为了获取更为稀疏的图像表示，人们在超完备表示理论的基础上，通过构造冗余字典来实现图像的稀疏表示[11]。研究表明，稀疏表示具有特征保持性和稀疏性等特点，该理论被应用于信号处理各个领域，如遥感信号处理，通信处理，视频处理等领域，特别在Wright和Yang等人[12]验证了稀疏表示在人脸识别上良好的鲁棒性和收敛性，可见稀疏表示在模式分类上的良好特性，在图像分类上具有广泛应用前景。从目前的研究现状来看，专为图像分类而设计字典学习算法已经成为一个研究热点。2.基本内容和技术方案2.1 基本内容本文研究的主要内容就是基于字典学习的图像分类算法设计。稀疏表示理论认为如果有一个按行堆叠表示的向量，并且存在着一种字典（），，如果信号可以用少量字典原子的线性组合良好地表示，那么就说信号可以在字典下进行稀疏表示，即： （1）式中为信号的稀疏表示系数，它只含有有限个非零值。传统的图像分类算法大都采用最优分类面、模版匹配等方式进行分类，虽然在某些情况下具有较好的判别性，但无法从信号稀疏的角度获取更多的价值，而本课题研究基于稀疏表示的