《基于稀疏模型的模式识别应用（学位论文-工学）》由会员分享，可在线阅读，更多相关《基于稀疏模型的模式识别应用（学位论文-工学）（75页珍藏版）》请在金锄头文库上搜索。
1、密 级代 号 10701 学 号 1012121131分 类号TP751 公开题 （ 中 、 英 文 ） 目 基 于 稀 疏 模 型 的 模 式 识 别 应 用Pattern Recognition Application Based on Sparse Model作 者 姓 名 朱 文 杰 指 导 教 师 姓 名 、职 务 张 小 华 副 教 授学 科 门 类 工 学 学 科 、 专 业 模 式 识 别 与 智 能 系 统提 交 论 文 日 期 二 一 三 年 一 月西安电子科技大学学位论文独创性（或创新性）声明秉 承 学 校 严 谨 的 学 风 和 优 良 的 科 学 道 德 ， 本 人
2、声 明 所 呈 交 的 论 文 是 我 个 人 在导 师 指 导 下 进 行 的 研 究 工 作 及 取 得 的 研 究 成 果 。 尽 我 所 知 ， 除 了 文 中 特 别 加 以 标注 和 致 谢 中 所 罗 列 的 内 容 以 外 ， 论 文 中 不 包 含 其 他 人 已 经 发 表 或 撰 写 过 的 研 究 成果 ； 也 不 包 含 为 获 得 西 安 电 子 科 技 大 学 或 其 它 教 育 机 构 的 学 位 或 证 书 而 使 用 过 的材 料 。 与 我 一 同 工 作 的 同 志 对 本 研 究 所 做 的 任 何 贡 献 均 已 在 论 文 中 做 了 明 确 的
3、说明 并 表 示 了 谢 意 。申 请 学 位 论 文 与 资 料 若 有 不 实 之 处 ， 本 人 承 担 一 切 的 法 律 责 任 。本 人 签 名 ： 日 期 :西安电子科技大学关于论文使用授权的说明本 人 完 全 了 解 西 安 电 子 科 技 大 学 有 关 保 留 和 使 用 学 位 论 文 的 规 定 ， 即 ： 研 究生 在 校 攻 读 学 位 期 间 论 文 工 作 的 知 识 产 权 单 位 属 西 安 电 子 科 技 大 学 。 学 校 有 权 保留 送 交 论 文 的 复 印 件 ， 允 许 查 阅 和 借 阅 论 文 ； 学 校 可 以 公 布 论 文 的 全 部
4、 或 部 分 内容 ， 可 以 允 许 采 用 影 印 、 缩 印 或 其 它 复 制 手 段 保 存 论 文 。 同 时 本 人 保 证 ， 毕 业 后结 合 学 位 论 文 研 究 课 题 再 撰 写 的 文 章 一 律 署 名 单 位 为 西 安 电 子 科 技 大 学 。（ 保 密 的 论 文 在 解 密 后 遵 守 此 规 定 ）本 学 位 论 文 属 于 保 密 ， 在 年 解 密 后 适 用 本 授 权 书 。本 人 签 名 ： 日 期 :导 师 签 名 ： 日 期 :摘 要 I摘 要科学技术的不断发展推动着一个又一个信息时代的到来，如今的智能时代已经 和 人 们 的 生 活 息
5、 息 相 关 。 图 像 作 为 信 息 的 载 体 ， 在 智 能 时 代 发 挥 着 重 要 的 作 用 。图像识别作为模式识别的重要应用之一，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。通信手机终端或者安防监控终端所需要的人脸识别以及地理学中的遥感图像的分类技术等均属于模式识别的范畴。本文主要围绕字典及稀疏表示相关理论方法对 模 式 识 别相关问题进行探讨和研究，旨在探索稀疏概念在模式识别问题中的理论背景和具体应用，并进行稀疏表示框架下的改进方案和应用，总结如下：1.提 出 了 基 于 能 量 贡 献 字 典 学 习 的 分 类 方 法 。 该 字 典
6、学 习 模 型 根 据 字 典 的 不 同子字典对训练样本对具有悬殊的能量贡献这一事实对特征提取和分类器设计两个关键因素进行约束和求解，学习出的字典可使得表示出来的测试样本在分类器下得到更好的分类结果。实验表明，该字典学习模型对人脸图像、纹理图 像 等 具 有良好的识别效果，同时针对小样本问题具有更好的处理能力。2.提出了基于局部协同表 示 的高光谱图像分类方法 。 本 方法基于两个事实进行，其一是高光谱图像邻域内的样本共属同一地物的特点，其二是训练样本的选取是基于字典的方法中最为重要的环节。局部协同表示通过对测试样本的协同表示选择对分类有利的训练样本进行二次协同表示。实验表明，该方法不仅能够
7、有效地进行高光谱图像的分类任务，且具有很强的可操作性和良好的分类结果。3.提出了基于稀疏逼近的 SAR 图 像 变 化 检 测 方 法 。 图 像 的 变 化 检 测 实 际 是 对 同一地理坐标的像素点不同时相的信息进行识别，判断该像素点属于变化或非变化的类别。本方法假设相对于图像中的全部像素点，变化的像素点数目是稀疏的，而 非 变 化 的 像 素 点 具 有 较 强 的 线 性 相 关 性 。 实 验 表 明 。 通 过 低 秩 和 稀 疏 矩 阵 分 解 ，能够得到不同时相 SAR 图像的差值图，进而获得良好的检测结果。本论文工作得到了国家自 然 科学基金 （ NO.60703109,6
8、0972148）和中央高校基本科研业务费（No.K50510020023, JY10000902001, JY10000902043）资助。关 键 词 ： 字 典 学 习 稀 疏 表 示 协同表示 图像识别 多光谱图像分类 SAR 图像变化检测Abstract IIIAbstractWith the development of science and technology, information eras are coming oneby one. The smart era has been related with the daily life closely nowadays. As
9、 one ofthe important application in pattern recognition, image classification employs thecomputer in image processing, analysis and understanding to identify different kinds oftargets and objects of the models. Pattern recognition includes face recognition inmobile phone and entrance guard system, c
10、luster and classification task in remotesensing image and other classification tasks. This paper addresses the problem ofpattern recognition based on the dictionary and concept of sparseness to analyse thetheory and background of sparseness. Besides, this paper also improve the models in theapplicat
11、ion based on the comprehensive concept of sparseness related in the paper.Summarized as following.1. This paper proposed dictionary learning based on energy contribution forclassification. This model supposes that different sub-dictionaries have andiscriminative energy contribution to the sample to
12、generate the criterion in the modelto extract the feature and design the classifier. Theoretical analysis and experimentalresults on face recognition and texture image classification prove that the proposedmodel increases the classification accuracy and be robust on smaller sample problem.2. This pa
13、per solved the hyperspectral image classification problem based on localcollaborative representation. Local collaborative representation represents the testingsample with the primal representation based on the characteristic of hyperspectral imageand the importance of atoms selection in dictionary b
14、ased classification methods.Theoretical analysis and experimental results show that the model can handle theproblem with high classification accuracy.3. This paper modeled SAR image change detection via sparse matrixapproximation. It classifies the pixels in the image based on the information in dif
15、ferenttimes. Since the number of the changed pixels is smaller than that of all the pixels, thecombined matrix consists of the images in different times can be decomposed into asparse matrix indicates the changed information and a lower rank matrix indicates thelinear relation of the unchanged infor
16、mation. Experimental results show that theproposed model handles the problem well compared with other methods mentioned inthe paper.IV AbstractThe work is supported by the National Natural Science Foundation ofChina(NO.60703109,60972148) and the Fundamental Research Funds for the CentralUniversities (No.K50510020023, JY10000902001, JY10000902043).Keywords: Dictionary learning Sparse representation
