基于圖的模式識(shí)別及其在計(jì)算機(jī)視覺中的應(yīng)用.pdf

1、基于圖的模式識(shí)別是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域中一個(gè)重要的研究方向。在基于圖的模式識(shí)別中,使用圖來表示物體,圖的頂點(diǎn)表示物體的各個(gè)組成部分,圖的邊表示物體各組成部分之間的關(guān)系。以這樣的表達(dá)方式,圖就可以捕捉到物體的關(guān)系與結(jié)構(gòu)信息。此外,圖擁有與生俱來的平移、旋轉(zhuǎn)不變性。以上這些使得圖成為特征向量表達(dá)之外的又一個(gè)重要的物體表達(dá)方式,基于圖的模式識(shí)別因此在很多領(lǐng)域也獲得了廣泛的應(yīng)用,例如形狀分析、文檔處理、生物醫(yī)學(xué)圖像處理、生物信息學(xué)、化學(xué)信息

2、學(xué)等。
　　 雖然基于圖的表達(dá)非常有效,然而當(dāng)前大多數(shù)模式識(shí)別工具卻不能直接以圖為其處理對(duì)象,這一矛盾嚴(yán)重影響了基于圖的方法的發(fā)展和應(yīng)用。因此,研究人員提出了許多方法來解決此問題,可以分為兩大類:一類是在圖空間的方法,另一類是在向量空間的方法。前者主要關(guān)注如何直接以圖作為處理對(duì)象來解決模式識(shí)別問題,這包括圖匹配問題和定義圖的相似度度量問題,例如圖編輯距離。后者則是繞過圖空間,將圖轉(zhuǎn)化到向量空間中,從而利用現(xiàn)有的模式識(shí)別工具來解決

3、問題。這里的方法包括定義圖的描述子、圖嵌入和圖核。圖的描述子指的是定義圖的特征向量的方法。圖嵌入是尋找從圖空間到向量空間的顯式映射,將圖轉(zhuǎn)化到向量空間中。圖核則是將核方法應(yīng)用到圖上,定義圖空間到特征空間的隱式映射,解決圖的模式識(shí)別問題。
　　 本文采取將結(jié)構(gòu)模式識(shí)別和統(tǒng)計(jì)模式識(shí)別相結(jié)合的思路,既利用圖的強(qiáng)有力的關(guān)系結(jié)構(gòu)表達(dá)能力,又利用傳統(tǒng)模式識(shí)別的豐富的數(shù)學(xué)工具,對(duì)基于圖的模式識(shí)別在向量空間的方法做了深入分析研究,主要貢獻(xiàn)如下:

4、
　　 基于圖的斑馬魚異常胚胎檢測算法:斑馬魚的異常胚胎檢測對(duì)于阿爾海默綜合癥的研究具有非常重要的意義。首先將斑馬魚從背景圖像中分割出來。使用紋理特征訓(xùn)練得到的二類分類器作為分割算法。然后,提取斑馬魚的形狀輪廓,將其用圖來表示。如此一來,問題轉(zhuǎn)化為一個(gè)圖的分類問題。為此,提出圖的向量化算法。采用對(duì)結(jié)構(gòu)進(jìn)行統(tǒng)計(jì)的思路,首先定義團(tuán)直方圖來表示圖的頂點(diǎn)到其鄰接頂點(diǎn)之間的分布,捕捉頂點(diǎn)層次上的統(tǒng)計(jì)信息。然后,使用基于碼表的方法將圖轉(zhuǎn)化為

5、特征向量,捕捉圖層次上的統(tǒng)計(jì)信息。最后,訓(xùn)練分類器進(jìn)行分類。在斑馬魚數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明了所提出的方法不僅有效,而且對(duì)于物體的形狀變化和噪聲都有很強(qiáng)的魯棒性。
　　 屬性圖嵌入的結(jié)構(gòu)化學(xué)習(xí)方法:要解決的是圖嵌入問題,即尋找從圖空間到向量空間的映射,使得利用此映射,可以將圖的頂點(diǎn)嵌入到新的空間下。在那里,圖的匹配、分類和檢索問題得以完成。首先,引入圖空間上算子的概念,從而可以將需要求解的映射看作是圖的屬性集上的算子。由于圖的屬性

6、集與圖的邊空間相關(guān)聯(lián),因此,此映射是一個(gè)與圖的拓?fù)浣Y(jié)構(gòu)相關(guān)的屬性集上的線性算子。為了求解此映射,在Graphical Model框架下,從離散馬爾可夫隨機(jī)場的目標(biāo)函數(shù)導(dǎo)出需要定義的目標(biāo)函數(shù),進(jìn)而解一個(gè)優(yōu)化問題。使用此嵌入,在一個(gè)具有1000個(gè)物體的數(shù)據(jù)集以及MPEG-7數(shù)據(jù)集上分別做了關(guān)系匹配、形狀分類和檢索的實(shí)驗(yàn),并與同類方法相比較,驗(yàn)證了所提出方法的有效性。
　　 圖屬性嵌入的黎曼淹沒學(xué)習(xí)方法:要解決的仍然是一個(gè)圖嵌入問題,

7、將關(guān)系結(jié)構(gòu)嵌入到度量空間,從而可以在新的空間下做匹配和分類。從黎曼流形的角度來看,定義此嵌入為與樣本類別標(biāo)記相關(guān)的流形淹沒的混合模型?；旌夏Ｐ偷臋?quán)重通過計(jì)算嵌入后圖的頂點(diǎn)坐標(biāo)的概率密度估計(jì)來得到。而淹沒則需要通過使用迭代置信區(qū)域方法計(jì)算得到,其目標(biāo)函數(shù)為圖的頂點(diǎn)后驗(yàn)概率的硬極限與其估計(jì)值之間的L2范數(shù)。所提出的是一種通用方法,可以用來做匹配、分類和檢索。在人工數(shù)據(jù)集、MNIST和MPEG-7分別做了圖匹配、字符分類和形狀分類的實(shí)驗(yàn),驗(yàn)證