文献综述
题目：基于自适应流形降维的夜视图像分类
摘要：
夜视图像分类是夜视图像信息处理中最基本的问题之一,其分类技术是夜视应用系统中的关键技术。如何实现自适应、高准确率的夜视图像分类是目前的夜视技术的方向。针对现有流形学习算法用于夜视图像分类时存在的缺陷，本文提出了一种新的无参数的有监督的特征提取算法，并基于该算法进行夜视图像分类。该算法为了削弱噪声对样本之间相似性的影响使用相关系数去衡量样本之间的相似性。首先该算法更具同一流形内样本的相关系数的关系自适应地选择出近邻的样本建立类内散步矩阵用于描述流形的局部结构。然后流形之间的相关系数先选择出相互近邻的流形，再依据近邻流形之间相关系数的关系自适应地选择出两个相邻的流形之间近邻的样本建立类间散布矩阵用于描述流形间的离散性。最后建立目标函数使用Fisher准则对其进行求解，使其在达到类内散布矩阵最小的同时，类间散布矩阵达到最大。在整个过程中不需要人为设定任何参数，实现了无参数化。
关键词： 自适应 流形降维 局部保留映射 特征提取 夜视图像分类
1、研究背景
随着科学技术的发展，对于夜视图像数据来说，其维数就是图像的像素数，像素数一般都很高。如何从这些高维的夜视数据提取中有用的数据用来进行后续的处理是个巨大的问题。特征提取技术是解决这个问题的一个重要的方法。对于人脸识别来说，特征提取是完成人脸识别的关键。
在过去几十年中，人们提出了很多关于特征提取的方法，这些方法分为有监督学习和非监督学习，或线性和非线性。其中主成分分析(PCA) 和线性判别式分析(LDA)是两种使用最多的线性特征提取方法。PCA将原始的高维数据映射到由全部原始数据协方差矩阵的最大特征值对应的特征向量所张成一个低维子空间中。PCA能够在最小均方意义下，寻找最能代表原始数据的投影方法。另外，由于没用利用到类别信息，所以PCA是一种完全的非监督学习方法。
与PCA不同，LDA是一种有监督的学习方法，最早可以追溯到1936年Fisher发表的论文，其本质思想是选择使Fisher准则函数达到极值的向量作为最佳投影方向。从而使得样本在该方向上投影后，能够同时达到类间离散度最大和类内离散度最小。
然而，PCA和LDA都是从全局的欧式结构进行考虑的而不是从流形结构上进行考虑。而最近的研究表明人脸图像有可能是驻留在一个非线性的流形之上，同时不同的人脸图像会处在不同的流形之上。为此人们提出了很多流形学习算法来寻找嵌入在原始高维数据中的本质低维流形，在这些算法中包括等距特征映射算法(ISOMAP)，局部线性嵌入(LLE)和拉普拉斯特征映射(LE)等。实验表明这些算法对于模拟数据和真实的数据，比如人脸图像能够找到这些数据的有意义的低维嵌入，然而如何去评价这些算法的效果仍然不是很明确。He等人提出了局部保留映射(LPP)，LPP的目标函数是最小化映射后的数据的局部散布矩阵。与其他的流形学习算法相比较，LPP算法拥有明显的优势比如能够得到更加明显的映射，更加易于计算等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
