特征分類器研究及其在圖像分類中的應(yīng)用.pdf

1、在圖像分類過程中，相對(duì)于較高的特征維數(shù)，訓(xùn)練樣本太少一直是制約眾多分類算法性能的重要因素。近年來，特征分類器以放大訓(xùn)練集“表達(dá)容量”來提高分類器泛化能力的方式而廣受研究學(xué)者的關(guān)注。然而現(xiàn)有的大多數(shù)特征分類算法在放大“表達(dá)容量”的過程中容易破壞訓(xùn)練集原有的“類間可分性”，并由此導(dǎo)致分類器的實(shí)際分類能力下降。此外，一些特征分類器還存在計(jì)算復(fù)雜度高的缺陷，限制了它們?cè)趫D像分類中的廣泛應(yīng)用。針對(duì)這些問題，本文首次將一些“尺寸可調(diào)”的特征流形（即

2、約束特征線、壓縮凸包和軟性仿射包）引入到特征分類領(lǐng)域，以通過改善“表達(dá)容量”與“類間可分性”之間的平衡來進(jìn)一步提高特征分類器的泛化性能。在此基礎(chǔ)上，本文對(duì)參與構(gòu)建特征流形的原型樣本的數(shù)量進(jìn)行壓縮，即僅保留“數(shù)量可調(diào)”的一部分局部原型樣本，以此方式實(shí)現(xiàn)對(duì)特征分類器分類速度的有效控制。論文具有創(chuàng)新性的研究工作和成果主要有：
　　 首先，提出了k局部約束線(kLCL)分類算法。該算法使用長(zhǎng)度可調(diào)的約束特征線來放大樣本的“表達(dá)容量”，因

3、而它能夠很好地避免大多數(shù)傳統(tǒng)特征線方法中存在的訓(xùn)練子空間交叉重疊的問題。同時(shí)，kLCL算法選取待分類樣本附近的部分原型樣本參與約束線特征流形的構(gòu)建，以此提高分類器的計(jì)算效率。人臉識(shí)別問題和一些普通模式分類問題的實(shí)驗(yàn)結(jié)果證實(shí)了算法的有效性：
　　 其次，提出了最近鄰壓縮凸包(NRCH)分類算法。在NRCH中，壓縮凸包作為一種新的特征流形被首次引入到特征分類領(lǐng)域。從遙感影像分類的一些實(shí)驗(yàn)結(jié)果可以看到，NRCH算法具有較特征線分類算法

4、更強(qiáng)的“表達(dá)容量”放大能力，并且能夠很好地解決遙感分類中遇到的訓(xùn)練樣本不足的問題。與一些傳統(tǒng)的遙感分類算法相比，NRCH具有更好的泛化性能；
　　 然后，提出了局部壓縮凸包(LRCH)算法。為了將基于壓縮凸包的特征分類算法推廣到更多的分類應(yīng)用，LRCH通過僅關(guān)注查詢樣本周圍少量的“局部原型”的方式來降低凸包距計(jì)算中二次規(guī)劃問題的矩陣規(guī)模，以此降低算法的計(jì)算復(fù)雜度。實(shí)驗(yàn)分析表明“局部原型”策略增強(qiáng)了LRCH算法的應(yīng)用潛力，使得它不

5、僅有快于NRCH的分類速度而且還有更多的機(jī)會(huì)獲取更高的分類精度。此外，大量的其它模式分類實(shí)驗(yàn)（包括合成數(shù)據(jù)、普通模式分類數(shù)據(jù)以及人臉識(shí)別數(shù)據(jù)）表明LRCH具有較眾多傳統(tǒng)特征分類器更好的泛化性能。該算法的分類精度也略優(yōu)于支持向量機(jī)(SVM)，并且LRCH具有更快的分類速度；
　　 最后，提出了局部軟性仿射包（LSAH）算法。在該算法中的軟性仿射包特征流形在膨脹或收縮過程中不受凸包尺寸的約束，因而它具有較壓縮凸包更強(qiáng)的“表達(dá)容量”放