基于競爭學(xué)習(xí)機(jī)制的聚類算法在圖像匹配中的應(yīng)用.pdf

1、在傳統(tǒng)的基于特征的圖像匹配過程中，通過直接在參考圖像的特征集中搜索與查詢特征最相近的特征進(jìn)行匹配。但是特征點(diǎn)數(shù)量過多時，特征點(diǎn)匹配次數(shù)會急劇上升，匹配效率會降低。實際上，特征在高維空間中都會呈現(xiàn)簇狀結(jié)構(gòu)，這個簇狀結(jié)構(gòu)隱藏了特征的分類信息。本文通過聚類算法對特征進(jìn)行分類，挖掘特征的簇狀結(jié)構(gòu)，將特征空間劃分成若干個緊湊的子空間。然后在特征點(diǎn)匹配階段，只需在對應(yīng)的類中尋找與之匹配的特征點(diǎn)，提高匹配效率。但是傳統(tǒng)的聚類算法需要預(yù)先指定類別數(shù)，才

2、能得到較好的聚類效果。次勝者懲罰競爭學(xué)習(xí)(RPCL)算法能自動選擇合理的類別數(shù)，但對相關(guān)參數(shù)的選取較敏感；以及其變種 RPCCL算法將所有的競爭單元當(dāng)成冗余單元進(jìn)行懲罰不太合理。
　　本文通過對競爭學(xué)習(xí)算法面臨的問題進(jìn)行深入研究，提出了一種可區(qū)分懲罰的競爭學(xué)習(xí)(DPCL)算法。算法中各個單元的學(xué)習(xí)率可以在迭代過程中自適應(yīng)調(diào)整；同時使用一種可區(qū)分懲罰的機(jī)制來區(qū)分競爭單元中的冗余單元和正確單元，給予冗余單元較重懲罰，正確單元輕微懲罰，

3、使得算法能自動確定正確類別數(shù)。在特征匹配前，本文使用該算法先對兩幅圖像的特征進(jìn)行聚類，分別將兩個特征集劃分成若干個子集。根據(jù)聚類結(jié)果，以所有中心單元為節(jié)點(diǎn)構(gòu)建成一棵 KD樹，然后將各個子類數(shù)據(jù)作為節(jié)點(diǎn)，分別構(gòu)建成一棵 KD子樹。在特征點(diǎn)匹配過程中，使用BBF最近鄰查詢算法在對應(yīng)的子類中查找最鄰近的特征點(diǎn)。
　　最后，本文通過圖像匹配實驗來驗證本課題的正確性，比較引入本文的可區(qū)分懲罰的競爭學(xué)習(xí)算法前后，對圖像匹配結(jié)果的影響。實驗結(jié)果