图像多特征稀疏表示模型的优化方法

摘要

计算机视觉领域需要解决的问题归根结底可看作是“什么东西在什么地方”，因此对图像的有效表示是最基本的研究问题之一，也具有重要的学术价值和实际意义。不同类别的图像具有不同特点，存在的问题多种多样，导致图像在应用过程中仍然存在一些尚未解决问题。图像表示是对图像有效地进行分析，获取图像中的关键信息，而且图像表示方法的性能对图像分类和识别的性能有着决定性的影响。图像的稀疏表示是一种鲁棒性、抗干扰性都较好的图像表示方法，它不仅可以有效地表示图像信息，还被广泛地应用于场景恢复、时空技术和其他机器视觉应用中。本文对图像的稀疏表示做了深入研究，借助多任务学习来同时学习多个特征任务，提升算法模型的泛化能力，提出了联合稀疏表示的多特征多任务学习框架(Decorrelatmg Multi-Task Learning JointSparse Representation,DMTJSR)，用于学习更具有图像深层信息的图像表示，
　　主要工作如下:
　　首先，针对单任务特征表达的局限性，联合多特征提出去相关多任务多特征学习模型L2,1,1。该模型利用L1/L2,1混合范式提取特征，在不增加过多约束项的前提下，借助多任务学习理论，将多特征融合于模型中，改进稀疏感知基础计算模型。在采用固定字典方式学习图像的稀疏表示系数过程中，使得同种特征共享相同的稀疏模式，相似特征之间能具有相似的编码系数，同时能使不同特征去相关，去除过多错误冗余，改善了稀疏表示的局部性问题。
　　其次，由于字典是影响稀疏表示的一项重要因素，因此结合字典学习方法优化L2，1，1模型，构建了DMTJSR学习框架，通过该框架在提高字典的判别能力的基础上进一步提高特征表示在应用中的判别性。
　　最后，考虑到字典与系数之间线性编码问题影响最终特征表示，将学习框架扩展到再生核Hilbert空间。通过引入核技术来解决编码过程中线性组合所带来的不足，保留具有图像本质的特征但却与字典呈非线性关系的特征。
　　实验结果表明L2,1,1模型优于基础多任务模型，其特征表示性能要比目前先进方法要有优势。另外，通过对比DMTJSR和L2，1，1模型性能，不仅证明了字典学习的必要性，也证明了本文提出的DMTJSR学习框架有效性;此外DMTJSR扩展核空间弥补了线性表达的问题，进一步提高了图像表示性能。

目录

声明

摘要

1．1 研究目的和意义

1．2 国外研究现状

1．2．1 稀疏表示

1．2．2 字典学习

1．2．3 多任务学习

1．3 研究内容及工作

1．4 本文结构

2．1 引言

2．2 图像底层特征提取

2．2．1 全局特征

2．2．2 局部特征

2．3 稀疏表示算法原理

2．3．1 稀疏表示模型

2．3．2 字典学习方法

2．3．3 稀疏表示核扩展

2．4 多任务学习算法

2．5 本章小结

第3章 DMTJSR多任务学习框架

3．1 引言

3．2 去相关多特征多任务学习模型DMTJSR

3．2．1 混合L2，1/L1多任务学习模型(L2，1，1)和优化策略

3．2．2 字典学习模型和优化策略

3．2．3 DMTJSR学习框架

3．3 DMTJSR再生核Hilbert空间扩展

3．3．1 模型扩展

3．3．2 DMTJSR核扩展优化算法

3．4 本章小结

4．1 引言

4．2 实验数据

4．3 实验结果分析

4．3．1 稀疏度分析

4．3．2 L2，1，1多任务学习模型性能

4．3．3 结合字典学习的DMTJSR性能

4．3．4 DMTJSR核扩展性能

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表的论文

致谢