基于分块KPCA和极限学习机的图像分类识别研究

摘要

计算机视觉是一门研究如何使用机器来观察、理解世界的科学，尤其在这信息技术快速发展的时代，用计算机视觉技术对图像信息进行处理、分析显得尤为重要。图像分割是图像分析、理解和识别的基础，分割效果直接决定了后续图像分析和识别的性能。图像分类是图像处理领域的一部分，是在图像分割基础上进一步对图像分类、识别的研究。目前，已产生了很多图像分类算法，其中基于神经网络的图像分类算法应用最为广泛。但由于传统前馈神经网络在处理图像分类时存在迭代次数多、易陷入局部最优等问题，严重影响了其发展及应用。而极限学习机是一种新的机器学习算法，由于其可调参数少，学习速度快以及良好的泛化性能等优点，正日渐受到众多研究学者们的青睐，但目前鲜有将其应用于图像处理领域的文献报道。本学位论文将图像分类识别作为研究重点，在图像中引入最新理论成果——极限学习机(ELM)，发现了一种基于ELM的新型图像分类识别算法。
　　论文主要分为三部分:第一部分介绍了图像研究背景、意义及研究现状;第二部分介绍了核主成分分析(KPCA)理论，针对KPCA的缺点，采用分块KPCA算法，同时用蚁群算法优化KPCA参数，对图像进行特征提取，最后用极限学习机分类器对图像进行分类;第三部分介绍了压缩采样理论及两类压缩采样问题，利用压缩采样技术优化极限学习网络的输入参数和隐层节点，最后通过仿真实验证明了该优化网络的可行性及有效性。本文创新点如下:
　　(1)KPCA作为一种全局方法，对样本进行特征提取时考虑的是样本的整体信息，没考虑到其局部特征信息。当局部特征很重要时，比如光照不同的情况下，使用KPCA进行特征提取可能会丢掉一些很重要的局部信息。为此，提出了一种改进的KPCA方法——分块KPCA(MKPCA)策略，其基本思想是先将样本分成几个块，之后使用KPCA对每一个块提取特征。
　　(2)在KPCA算法中需给定一个核函数，该核函数可能会存在一个或几个核参数，不同参数值的选择会影响到特征提取结果以及最终实验结果的优劣。因此，核方法中最重要的问题是核参数选择问题。提出采用粒子群优化算法优化KPCA的核参数。
　　(3)文中引入压缩采样理论，将压缩采样技术用于极限学习网络的优化。算法优化思想是将极限学习网络的输入参数进行压缩采样，实现网络输入参数优化的目的;同时，用该方法对网络输出权值进行稀疏处理，实现对网络隐藏节点的优化。通过上述两步，就能很好的优化极限学习网络结构，减少了极限学习机的计算复杂度。

目录

声明

摘要

1 绪论

1．1 图像分类的目的与意义

1．2 图像分类技术的发展及研究现状

1．3 本论文的内容安排

2 核主成分分析方法研究

2．1 引言

2．2 核主成分分析

2．2．1 核方法简介

2．2．2 常用核函数

2．2．3 核主成分分析的基本原理及推导过程

2．3 分块KPCA研究

2．4 实验仿真

2．5 本章小结

3 极限学习机算法研究

3．1 单隐藏层前馈神经网络

3．1．1 传统基于梯度的SLFN学习

3．2 极限学习机理论

3．2．1 极限学习机算法原理及推导过程

3．3 ELM与支持向量机SVM比较

3．3．1 支持向量机简介

3．3．2 ELM与SVM对比分析

3．4 本章小结

4 基于核函数参数优化的图像特征提取算法

4．1 粒子群算法

4．1．1 粒子群优化算法的基本原理

4．1．2 粒子群算法的推导过程

4．2 标准微粒群算法优化KPCA核参数

4．2．1 粒子群算法优化核参数的实现

4．3 仿真研究

4．3．1 实验数据

4．3．2 实验结果比较

4．4 本章小结

5 优化极限学习机在图像分类识别中的应用研究

5．1 神经网络的优化

5．2 压缩采样理论

5．2．1 单观测向量压缩采样问题

5．2．2 多观测向量压缩采样问题

5．3 稀疏极限学习机

5．3．1 输入权值优化

5．3．2 隐藏层节点优化

5．4 实验仿真

5．5 本章小结

6 总结与展望

6．1 本论文的总结

6．2 研究展望

参考文献

致谢

个人简历、在校期间发表的学术论文和研究成果