基于竞争学习机制的聚类算法在图像匹配中的应用
在传统的基于特征的图像匹配过程中，通过直接在参考图像的特征集中搜索与查询特征最相近的特征进行匹配。但是特征点数量过多时，特征点匹配次数会急剧上升，匹配效率会降低。实际上，特征在高维空间中都会呈现簇状结构，这个簇状结构隐藏了特征的分类信息。本文通过聚类算法对特征进行分类，挖掘特征的簇状结构，将特征空间划分成若干个紧凑的子空间。然后在特征点匹配阶段，只需在对应的类中寻找与之匹配的特征点，提高匹配效率。但是传统的聚类算法需要预先指定类别数，才能得到较好的聚类效果。次胜者惩罚竞争学习(RPCL)算法能自动选择合理的类别数，但对相关参数的选取较敏感；以及其变种 RPCCL算法将所有的竞争单元当成冗余单元进行惩罚不太合理。 本文通过对竞争学习算法面临的问题进行深入研究，提出了一种可区分惩罚的竞争学习(DPCL)算法。算法中各个单元的学习率可以在迭代过程中自适应调整；同时使用一种可区分惩罚的机制来区分竞争单元中的冗余单元和正确单元，给予冗余单元较重惩罚，正确单元轻微惩罚，使得算法能自动确定正确类别数。在特征匹配前，本文使用该算法先对两幅图像的特征进行聚类，分别将两个特征集划分成若干个子集。根据聚类结果，以所有中心单元为节点构建成一棵 KD树，然后将各个子类数据作为节点，分别构建成一棵 KD子树。在特征点匹配过程中，使用BBF最近邻查询算法在对应的子类中查找最邻近的特征点。 最后，本文通过图像匹配实验来验证本课题的正确性，比较引入本文的可区分惩罚的竞争学习算法前后，对图像匹配结果的影响。实验结果表明，将本文提出的DPCL聚类算法引入匹配过程后，显著缩短了特征点匹配搜索时间，匹配效果显著提升。
图像匹配;聚类算法;竞争学习;惩罚机制;最近邻查询
宁波大学
硕士
计算机技术
赵杰煜
2014
中文
TP391.41;TP301.6
67
2015-08-17（万方平台首次上网日期，不代表论文的发表时间）