基于KNN的改進(jìn)算法研究及其在圖像去噪的應(yīng)用.pdf

1、數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘中的一項(xiàng)重要任務(wù)。在這個(gè)數(shù)據(jù)爆炸式增長(zhǎng)的時(shí)代，無(wú)論是什么領(lǐng)域，都需要在海量的數(shù)據(jù)中尋找有價(jià)值的信息，而預(yù)處理則成為其中一個(gè)必須環(huán)節(jié)。KNN算法是數(shù)據(jù)挖掘的經(jīng)典算法之一，作為數(shù)據(jù)分析領(lǐng)域最重要的分支之一，自然的成為預(yù)處理大家庭中的重要一員，在分類、回歸、缺失值填補(bǔ)以及機(jī)器學(xué)習(xí)等許多領(lǐng)域中應(yīng)用廣泛。作為一種惰性算法，該方法無(wú)需先驗(yàn)統(tǒng)計(jì)知識(shí)，無(wú)需額外的數(shù)據(jù)來(lái)訓(xùn)練描述規(guī)則，并且易于實(shí)現(xiàn)。不過(guò)，該算法也不可避免的存在許多問(wèn)題，

2、比如如何確定合適的K值，對(duì)于有些特殊分布的數(shù)據(jù)處理效果不理想以及面對(duì)高維數(shù)據(jù)計(jì)算復(fù)雜度不可接受等等。為了解決這些弊端，研究者們提出了許多針對(duì)性的改進(jìn)算法。
　　本文從傳統(tǒng)KNN方法中的近鄰選擇策略入手，闡述一種結(jié)合局部線性約束編碼的改進(jìn)KNN算法，該方法能夠更有效地發(fā)掘和捕捉樣本間的相似性，相比于使用傳統(tǒng)方法，能夠獲得更加接近測(cè)試樣本真實(shí)情況的近鄰訓(xùn)練樣本，從而在很大程度上,改善了經(jīng)典算法依賴距離度量來(lái)捕獲近鄰樣本所導(dǎo)致的對(duì)數(shù)據(jù)分

3、布敏感的問(wèn)題。另一方面，本文的研究將KNN算法這種捕捉局部相似性的思想和原理引入到熱門(mén)的圖像處理領(lǐng)域，同時(shí)，結(jié)合模糊集原理，改進(jìn)傳統(tǒng)的均值濾波方法，得到一種更適合實(shí)際應(yīng)用需要的濾波方法。本文的主要工作包括：
　　(1)針對(duì)傳統(tǒng)KNN算法的近鄰選擇策略提出改進(jìn)算法，首先，從理論上，結(jié)合稀疏編碼和局部約束線性編碼理論，改良經(jīng)典的KNN算法，提出了KNNLC算法，然后，以分類實(shí)驗(yàn)為例，通過(guò)在不同數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比，證明了KNNLC算

4、法在分類性能上的平均水平要優(yōu)于經(jīng)典的KNN分類算法。
　　(2)針對(duì)經(jīng)典均值濾波過(guò)程中產(chǎn)生模糊的問(wèn)題，首先，在理論上，借鑒KNN算法用近鄰估計(jì)測(cè)試樣本的思路以及KNNLC的局部捕捉思想和原理，同時(shí)，結(jié)合模糊集理論，提出了針對(duì)均值濾波算法的改進(jìn)方法。該方法以像素點(diǎn)為測(cè)試樣本，以待測(cè)像素點(diǎn)的近鄰為訓(xùn)練樣本，通過(guò)對(duì)伴有噪聲的圖像的像素點(diǎn)進(jìn)行逐一濾波處理，達(dá)到去噪目的。通過(guò)與經(jīng)典均值濾波以及被廣泛認(rèn)可的中值濾波算法做大量的效果對(duì)比實(shí)驗(yàn)，證