稀疏表示中的字典學(xué)習(xí)方法研究及其在圖像分類中的應(yīng)用.pdf

1、近年來，稀疏表示在信號表示領(lǐng)域取得了極大的成功，被廣泛應(yīng)用于模式識別、機器學(xué)習(xí)、計算機視覺、醫(yī)學(xué)成像等領(lǐng)域。它是通過線性表示的方法，在變換域上用盡可能少的原子來逼近原信號，實現(xiàn)信號簡單有效的表示，便于后續(xù)工作的開展。稀疏表示效果的好壞在很大程度上取決于字典的選取，因此具有較強適應(yīng)能力的學(xué)習(xí)型字典備受關(guān)注。本文工作主要是從字典學(xué)習(xí)方法及其在圖像分類中的應(yīng)用這兩個方向展開的，具體工作內(nèi)容總結(jié)如下:
　　(1)簡單介紹了稀疏表示的數(shù)學(xué)模

2、型，然后根據(jù)稀疏度約束項上的差異，對基于0-范數(shù)的稀疏分解問題和基于1-范數(shù)的稀疏分解問題做了詳細討論。文中還介紹了稀疏表示模型中字典的發(fā)展歷程，并對常見的自適應(yīng)字典學(xué)習(xí)方法做了系統(tǒng)研究。
　　(2)總結(jié)了自適應(yīng)字典學(xué)習(xí)方法在模式識別領(lǐng)域的發(fā)展，并根據(jù)字典學(xué)習(xí)過程中類別信息融入方式的不同，將面向分類的字典學(xué)習(xí)方法分為兩類:判別性字典學(xué)習(xí)方法和字典、分類器聯(lián)合學(xué)習(xí)方法。
　　(3)在總結(jié)判別性字典學(xué)習(xí)方法和字典、分類器聯(lián)合學(xué)習(xí)

3、方法的優(yōu)缺點基礎(chǔ)上，在Fisher判別字典學(xué)習(xí)方法中，通過舍棄Fisher判別字典學(xué)習(xí)算法中對系數(shù)的Fisher判別約束項，轉(zhuǎn)而在全局字典上加入Fisher判別約束，獲得一種快速的Fisher判別字典學(xué)習(xí)方法。仿真實驗表明該方法能有效的降低了字典學(xué)習(xí)的計算復(fù)雜度。
　　(4)針對實際應(yīng)用中測試樣本存在非訓(xùn)練類模式輸入的問題，將快速Fisher判別字典學(xué)習(xí)方法與流形子空間結(jié)合，提出基于快速Fisher判別字典學(xué)習(xí)的可拒絕模式分類模型