稀疏非負(fù)矩陣分解研究及其在手機圖像中的應(yīng)用.pdf

1、實際生活中，各種圖像所包含的信息十分豐富，批量圖像所包含的數(shù)據(jù)更是巨大，處理起來十分不便，故需進行特征提取以達(dá)到數(shù)據(jù)降維。降維是以數(shù)據(jù)映射迭代換取存儲空間，不同的約束規(guī)則和不同的分解策略對應(yīng)不同的結(jié)果。怎樣根據(jù)現(xiàn)實圖像數(shù)據(jù)的特征對其進行最有效的降維是研究的重點。
　　非負(fù)矩陣分解算法（Non-negative Matrix Factorization，NMF）是一種新近提出的數(shù)據(jù)降維方法，在一些實際問題中得到了廣泛的應(yīng)用。稀疏非負(fù)

2、矩陣分解算法是在 NMF的基礎(chǔ)上增加了稀疏約束，使分解得到的分量具有稀疏性特征，可視作在 NMF算法基礎(chǔ)上的進一步降維。將稀疏非負(fù)矩陣分解算法運用于圖像的特征提取及分類識別，依據(jù)識別精度和速度來評價算法優(yōu)劣。由于算法本身一定程度上實現(xiàn)了對維數(shù)的約減，加上稀疏約束之后，從物理上進一步舍去了數(shù)據(jù)的某些潛在特征，故而如何保證精度是本文研究的出發(fā)點。針對于此，本文主要從提高算法魯棒性的角度，研究稀疏非負(fù)矩陣分解算法，提高算法的抗噪能力，并應(yīng)用于

3、手機圖像，提高手機圖像分類識別的精度。
　　首先，實現(xiàn)算法理論上的改進。在原本的稀疏非負(fù)分解算法目標(biāo)函數(shù)基礎(chǔ)上引入噪聲項，提出新的稀疏優(yōu)化目標(biāo)函數(shù)，推導(dǎo)給出新目標(biāo)函數(shù)的優(yōu)化求解迭代表達(dá)式，使得提取出來的特征能夠在保持稀疏性的同時有噪聲抵抗能力。該算法可以處理圖像中有異常值點的情況，即不受噪聲形式的限制。
　　其次，算法應(yīng)用于手機圖像，實現(xiàn)手機圖像的特征提取和分類識別。算法應(yīng)用過程中將產(chǎn)生基矩陣和系數(shù)矩陣，將基矩陣作為直觀的可

4、直接圖示或者比較的數(shù)據(jù)，系數(shù)矩陣作為中介數(shù)據(jù)進一步求解手機界面圖片的特征矩陣，作為后期判決和分類的輸入數(shù)據(jù)，再選擇合適的支撐向量機模型來進行分類訓(xùn)練、測試，并創(chuàng)新性的在內(nèi)間進行二次分類，使識別的結(jié)果更加精確。
　　最后，將前期的理論應(yīng)用到一個系統(tǒng)里面，做一個手機圖像分類識別的完整系統(tǒng)，編譯生成可執(zhí)行 exe文件。系統(tǒng)將包含整個過程中所利用的所有算法，并多次改進算法，使系統(tǒng)界面軟件使用更加流暢，編譯生成可執(zhí)行 exe文件。