圖像特征學(xué)習(xí)方法與應(yīng)用研究.pdf

1、圖像具有豐富的內(nèi)容和直觀的描述能力，作為視覺信息獲取的一個重要來源，是人類活動中最常用的信息載體。隨著科學(xué)技術(shù)的發(fā)展，利用計算機處理圖像已經(jīng)成為視覺分析和機器學(xué)習(xí)領(lǐng)域的重要研究內(nèi)容，具有切實的應(yīng)用需求。如何對圖像進(jìn)行更加合理且準(zhǔn)確的表示，才能更好的反映圖像的表觀信息和語義信息，是視覺表示和學(xué)習(xí)的關(guān)鍵科學(xué)問題。
　　圖像表示作為圖像處理的一個基礎(chǔ)部分，其表示能力對圖像分類和識別的性能有著決定性的影響。由光照、姿態(tài)、場景變化等現(xiàn)象造成

2、的視覺內(nèi)容的復(fù)雜性和多樣性，圖像表示技術(shù)的研究一直是一項十分困難且極具挑戰(zhàn)性的課題。本文基于矩陣的低秩表示、稀疏表示、非負(fù)矩陣分解三個基本方法，針對諸如人臉圖像、乳腺癌病理圖像和多類別物體圖像等構(gòu)建有效的圖像表示方法，達(dá)到提高圖像分類性能和識別性能的目的。
　　本文的主要貢獻(xiàn)如下：
　　（1）本文第二章提出了一種基于矩陣深度低秩分解的圖像表示方法。不同于其它針對字典和對表示矩陣加額外限制的低秩表示學(xué)習(xí)模型，本文所提方法采用迭

3、代的方式對表示矩陣進(jìn)行低秩分解，使新的表示矩陣的秩越來越低，從而避免了由于參數(shù)選擇的不合理造成的圖像表示能力下降的問題。首先，針對數(shù)據(jù)庫樣本被大量損壞的情況，構(gòu)建第一個低秩表示模塊，該模塊對限制稀疏噪聲的參數(shù)設(shè)定較小的值，選擇整個數(shù)據(jù)集合本身作為字典，輸出表示矩陣和噪聲。然后，將這些去噪后的圖像作為字典輸入到第二個低秩表示模塊中，對第一個模塊的系數(shù)矩陣再次進(jìn)行低秩分解。最后，重復(fù)模塊間的低秩分解操作，直到表示矩陣的秩達(dá)到理想水平。相比于

4、標(biāo)準(zhǔn)的低秩表示方法，所提深度低秩分解框架在 Extended Yale B數(shù)據(jù)集分類任務(wù)上提高了16.43％的性能，有效實現(xiàn)了對嚴(yán)重污染數(shù)據(jù)庫的去噪和分類的任務(wù)。
　　（2）本文第三章基于顏色反卷積，將矩陣的低秩表示、非負(fù)稀疏低秩表示和深度低秩分解三種方法應(yīng)用于乳腺癌染色病理圖像的表示學(xué)習(xí)，得到基于這三種方法下細(xì)胞的分割結(jié)果，其中第二章所提出的基于矩陣深度低秩分解方法的細(xì)胞分割效果最優(yōu)。首先，采用Lambert-Beer定律將被蘇

5、木素-伊紅（Hematoxylin-Eosin，簡寫H&E）染色的RGB空間加強圖像轉(zhuǎn)變成光密度圖像生成顏色矩陣。然后，分別利用矩陣的低秩表示、非負(fù)稀疏低秩表示、深度低秩分解方法分離H&E染色圖像中的被H和E染色的部分，將RGB空間的被H染色的圖像進(jìn)行重建，并轉(zhuǎn)化成灰度圖像再進(jìn)行二進(jìn)制表示。最后，應(yīng)用數(shù)學(xué)形態(tài)學(xué)確定細(xì)胞核輪廓，并利用分水嶺算法完成細(xì)胞核的分割過程。上述三種方法能夠?qū)θ橄侔┎±韴D像中的細(xì)胞進(jìn)行有效分割和提取，為醫(yī)學(xué)圖像處理

6、領(lǐng)域中細(xì)胞的后續(xù)定量分析打下基礎(chǔ)，也對最終診斷疾病的準(zhǔn)確率有較大幫助。
　?。?）本文第四章提出了基于半監(jiān)督低秩表示和稀疏分解的圖像相似度表示方法。該方法利用標(biāo)簽數(shù)據(jù)中所包含的信息，將少量標(biāo)簽數(shù)據(jù)的信息和大量未標(biāo)記數(shù)據(jù)中的隱含信息結(jié)合起來對圖像相似度權(quán)重系數(shù)進(jìn)行學(xué)習(xí)。相比于僅使用一種數(shù)據(jù)來源，所提方法得到的圖像相似度信息更好地適應(yīng)了復(fù)雜內(nèi)容，并具有更好的語義一致性。首先，對傳統(tǒng)的低秩表示相似度學(xué)習(xí)方法加入標(biāo)簽信息限制，采用合理的凸

7、函數(shù)進(jìn)行近似，并使用基本的增強拉格朗日算法近行優(yōu)化。然后，對所得算法加入非負(fù)和稀疏的約束條件，構(gòu)建對應(yīng)的凸函數(shù)并進(jìn)行優(yōu)化學(xué)習(xí)，所得到的圖像相似度表示不僅包含圖像的局部特征和全局特征，還包含了圖像語義的一致性信息。最后，構(gòu)建基于含有標(biāo)簽信息的非負(fù)稀疏低秩約束的相似度圖，圖中所有的節(jié)點代表圖像，通過對各個節(jié)點的重構(gòu)系數(shù)施加非負(fù)、稀疏、低秩限制來尋找圖中的權(quán)重系數(shù)。此圖一方面保證了當(dāng)前節(jié)點可僅用極少數(shù)幾個其它節(jié)點來表示，另一方面保證了捕獲圖像

8、全局結(jié)構(gòu)信息的同時兼顧捕獲局部結(jié)構(gòu)信息。
　　（4）本文第五章設(shè)計了含可變參數(shù)α的半監(jiān)督非負(fù)矩陣分解的圖像表示方法。首先，對傳統(tǒng)的非負(fù)矩陣分解表示加入標(biāo)簽信息限制，采用α散度作為距離度量的標(biāo)準(zhǔn)，得到相應(yīng)的含有標(biāo)簽限制的非負(fù)矩陣分解表達(dá)式。所提方法通過設(shè)置不同的α值可等價于多種經(jīng)典度量，相比于傳統(tǒng)方法，是一種泛化的距離度量形式，能夠更加有效地適應(yīng)不同數(shù)據(jù)的分布特性。然后，利用Karush-Kuhn-Tucker條件和投影梯度方法求解