稀疏表示中的字典學習方法研究及其在圖像分類中的應用.pdf

1、近年來，稀疏表示在信號表示領域取得了極大的成功，被廣泛應用于模式識別、機器學習、計算機視覺、醫(yī)學成像等領域。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，因此具有較強適應能力的學習型字典備受關注。本文工作主要是從字典學習方法及其在圖像分類中的應用這兩個方向展開的，具體工作內(nèi)容總結如下:
　　(1)簡單介紹了稀疏表示的數(shù)學模

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，并對常見的自適應字典學習方法做了系統(tǒng)研究。
　　(2)總結了自適應字典學習方法在模式識別領域的發(fā)展，并根據(jù)字典學習過程中類別信息融入方式的不同，將面向分類的字典學習方法分為兩類:判別性字典學習方法和字典、分類器聯(lián)合學習方法。
　　(3)在總結判別性字典學習方法和字典、分類器聯(lián)合學習

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