稀疏非负矩阵分解研究及其在手机图像中的应用
实际生活中,各种图像所包含的信息十分丰富,批量图像所包含的数据更是巨大,处理起来十分不便,故需进行特征提取以达到数据降维。降维是以数据映射迭代换取存储空间,不同的约束规则和不同的分解策略对应不同的结果。怎样根据现实图像数据的特征对其进行最有效的降维是研究的重点。 非负矩阵分解算法(Non-negative Matrix Factorization,NMF)是一种新近提出的数据降维方法,在一些实际问题中得到了广泛的应用。稀疏非负矩阵分解算法是在 NMF的基础上增加了稀疏约束,使分解得到的分量具有稀疏性特征,可视作在 NMF算法基础上的进一步降维。将稀疏非负矩阵分解算法运用于图像的特征提取及分类识别,依据识别精度和速度来评价算法优劣。由于算法本身一定程度上实现了对维数的约减,加上稀疏约束之后,从物理上进一步舍去了数据的某些潜在特征,故而如何保证精度是本文研究的出发点。针对于此,本文主要从提高算法鲁棒性的角度,研究稀疏非负矩阵分解算法,提高算法的抗噪能力,并应用于手机图像,提高手机图像分类识别的精度。 首先,实现算法理论上的改进。在原本的稀疏非负分解算法目标函数基础上引入噪声项,提出新的稀疏优化目标函数,推导给出新目标函数的优化求解迭代表达式,使得提取出来的特征能够在保持稀疏性的同时有噪声抵抗能力。该算法可以处理图像中有异常值点的情况,即不受噪声形式的限制。 其次,算法应用于手机图像,实现手机图像的特征提取和分类识别。算法应用过程中将产生基矩阵和系数矩阵,将基矩阵作为直观的可直接图示或者比较的数据,系数矩阵作为中介数据进一步求解手机界面图片的特征矩阵,作为后期判决和分类的输入数据,再选择合适的支撑向量机模型来进行分类训练、测试,并创新性的在内间进行二次分类,使识别的结果更加精确。 最后,将前期的理论应用到一个系统里面,做一个手机图像分类识别的完整系统,编译生成可执行 exe文件。系统将包含整个过程中所利用的所有算法,并多次改进算法,使系统界面软件使用更加流畅,编译生成可执行 exe文件。 综上,本文提出一种鲁棒性稀疏非负矩阵分解算法,对手机图像进行特征提取,得到图像的特征矩阵,再用SVM进行分类识别。实验测试结果表明,该算法不但能对图像数据进行大规模压缩获取手机图像特征,具有良好的抗噪能力,且结合 SVM取得了较高的识别率。最后,结合理论和实际,本课题开发了手机画面分类识别的界面系统。
手机图像;稀疏非负矩阵分解;特征提取;分类识别;抗噪能力
宁波大学
硕士
计算机技术
叶庆卫
2014
中文
TP391.41
76
2015-08-17(万方平台首次上网日期,不代表论文的发表时间)