LMSE在圖像局部特征提取中的應(yīng)用研究

湯海林

摘要：圖像局部特征類型處理是對(duì)局部化特征信息的應(yīng)用，通過采用分割圖像區(qū)域獲得關(guān)注圖像的局部區(qū)域特征，再利用特征描述方法描述圖像局部區(qū)域。該文分析了MSE和LMSE兩種測(cè)試圖像樣本分類算法，對(duì)算法的二分類模型及實(shí)現(xiàn)進(jìn)行了詳細(xì)的闡述，并對(duì)兩種算法在指定AR數(shù)據(jù)集上的圖像進(jìn)行分類精度測(cè)試，LMSE算法能夠通過減小噪聲對(duì)接收信號(hào)的干擾來降低因搜索噪聲點(diǎn)而產(chǎn)生的復(fù)雜度。通過實(shí)驗(yàn)數(shù)據(jù)分析，基于LMSE算法在數(shù)據(jù)分類精度和處理效率上性能整體更優(yōu)。

關(guān)鍵詞：LMSE；局部區(qū)域；算法；圖像特征

中圖分類號(hào)：TP 391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）35-0211-02

Research on the Application of LMSE in Image Local Feature Extraction

TANG Hai-lin

（Faculty of Megadateand Computing，Guangdong Baiyun University， Guangzhou 510450， China）

Abstract： The processing of image local characteristic type is the application of local characteristic information. By using the segmentation image area， it can obtain the local area features of the image， then uses the feature description method to describe the local area of the image. This paper analyzes two kinds of image sample classification algorithm，the MSE and the LMSE. It describes the algorithm of binary classification model and implementation in detail， and uses this two algorithm to implement the classification accuracy test in the AR data set. The LMSE algorithm can reduce the complexity for the search point and noise by reducing noise which can interfere the received signal. Based on the analysis of experimental data， LMSE algorithm has better performance in data classification accuracy and processing efficiency.

Key words：Local Minimum Squared Error； Local Region； Algorithm；Image Feature

圖像匹配技術(shù)廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域中的立體視覺、目標(biāo)識(shí)別和分類等方面[1]。在機(jī)器學(xué)習(xí)和圖像處理領(lǐng)域，對(duì)圖像處理的方法有全局學(xué)習(xí)算法和局部學(xué)習(xí)算法，全局學(xué)習(xí)算法利用全部訓(xùn)練樣本建立學(xué)習(xí)模型，而局部學(xué)習(xí)算法[2]則是利用數(shù)據(jù)的局部結(jié)構(gòu)來構(gòu)造局部模型，再利用構(gòu)造的模型對(duì)測(cè)試樣本進(jìn)行分類。局部模型訓(xùn)練的僅是與特殊的測(cè)試數(shù)據(jù)相關(guān)的訓(xùn)練數(shù)據(jù)，并可獲得數(shù)據(jù)的局部結(jié)構(gòu)。因此，局部學(xué)習(xí)算法一般優(yōu)于全部訓(xùn)練樣本來構(gòu)造學(xué)習(xí)模型的全局算法，特別是對(duì)于不均勻分布的數(shù)據(jù)集來說，局部學(xué)習(xí)算法是一種很有效的學(xué)習(xí)方法。

1 最小均方誤差

最小均方誤差（Minimum Squared Error，MSE）是一種廣泛使用的以線性鑒別函數(shù)為基礎(chǔ)的分類方法。MSE是一種全局算法，它是在全部訓(xùn)練集上構(gòu)造的學(xué)習(xí)模型，面向分類的MSE的目的是找到唯一用于區(qū)分樣本的鑒別向量。當(dāng)數(shù)據(jù)是均勻分布或線性可分時(shí)，MSE 算法的性能較好。

MSE模型設(shè)計(jì)基于二分類模型，通過設(shè)計(jì)兩個(gè)類別的訓(xùn)練樣本，找到線性鑒別函數(shù)。具體設(shè)計(jì)如下：

給出n個(gè)訓(xùn)練樣本： （1）

設(shè)計(jì)線性鑒別函數(shù)： （2）

具體設(shè)計(jì)過程：

（3）

其中是預(yù)先設(shè)定的每一類的號(hào)碼，即樣本的類標(biāo)簽。利用公式（3）模型設(shè)計(jì)的最小均方誤差如下：

（4）

若屬于第一類時(shí)，則。若屬于第二類時(shí)，則。得到最小均方誤差式為：

（5）

其中：是奇異矩陣。

2 局部最小均方誤差

雖然MSE在數(shù)據(jù)是均勻分布或線性可分時(shí)具有較好的精度，但不能處理不均勻分布的數(shù)據(jù)集。而實(shí)際應(yīng)用中的數(shù)據(jù)訓(xùn)練樣本一般來自一個(gè)或多個(gè)數(shù)據(jù)分布，輸入空間中也很少有訓(xùn)練樣本的數(shù)據(jù)服從均勻分布，訓(xùn)練數(shù)據(jù)通常是線性不可分的，因此，對(duì)于MSE很難找到非線性的邊界[3]。

Matas首次提出最大穩(wěn)定極值區(qū)域（MSERs）[4]局部不變特征提取算法，可以準(zhǔn)確檢測(cè)各種不同形狀圖像區(qū)域并同時(shí)具有尺度、旋轉(zhuǎn)和仿射不變性的區(qū)域特征，但對(duì)于非線性數(shù)據(jù)信息處理效率不高。

局部最小均方誤差（local minimum squared error，LMSE）采用的是局部學(xué)習(xí)算法，它有效降低了利用全局學(xué)習(xí)模型的MSE的缺點(diǎn)，可正確分類預(yù)測(cè)樣本，且均方誤差更小。利用LMSE學(xué)習(xí)數(shù)據(jù)集的局部結(jié)構(gòu)可獲得數(shù)據(jù)集內(nèi)的非線性信息，適用于數(shù)據(jù)的不均勻分布，且在算法實(shí)現(xiàn)上優(yōu)于基于線性鑒別分析LDA和保局部映射LPP等分類算法。endprint

面向分類的LMSE可逐一處理測(cè)試樣本，二元分類的LMSE設(shè)計(jì)模型如下：

對(duì)于測(cè)試樣本，有K個(gè)最近鄰，利用尋找核函數(shù)：

（6）

其中：

（7）

再將式（7）改寫成局部最小的均方誤差：

（8）

若屬于1類，則；若屬于2類，則；得到最小均方誤差為：

（9）

其中：是奇異矩陣。則有：

（10）

對(duì)于測(cè)試樣本，若，則類標(biāo)簽為1，否則為-1。

3 LMSE的應(yīng)用

利用AR數(shù)據(jù)集，通過LPP、MSE、LMSE對(duì)給定的圖像數(shù)據(jù)集進(jìn)行預(yù)測(cè)樣本，分析各類算法對(duì)圖像數(shù)據(jù)集的分類精度。

給定較大數(shù)據(jù)量的人臉數(shù)據(jù)集AR，超過100人的4000幅人臉圖像，圖像是不同的面部表情、光照條件和遮擋條件下的下面人臉圖像。選擇數(shù)據(jù)集中120人，每人25張圖像，將所有圖像裁剪并調(diào)整成分辨率為20*25，再隨機(jī)將所有圖片分為訓(xùn)練和測(cè)試兩級(jí)數(shù)據(jù)[5]。對(duì)于每個(gè)人的圖像數(shù)據(jù)選定5，6，7，8，9，組成5個(gè)訓(xùn)練子集，每個(gè)子集的圖像數(shù)目為600，720，840，960，1080。利用LPP、MSE、LMSE三種算法對(duì)給定圖像數(shù)據(jù)集的精度計(jì)算，在LPP中確定局部參數(shù)來獲取樣本的最近鄰數(shù)目，參數(shù)為0.001*d，d是訓(xùn)練集中任意兩個(gè)樣本間的平均距離。在每個(gè)數(shù)據(jù)集上，隨機(jī)運(yùn)行各種算法10次，得到如表1所示5個(gè)訓(xùn)練子集上的分類結(jié)果。

從表1中的各項(xiàng)數(shù)據(jù)可看出，對(duì)于同一數(shù)據(jù)集的數(shù)據(jù)，基于LMSE算法的各個(gè)訓(xùn)練子集上的分類精度要優(yōu)于LPP、MSE算法，可獲得更準(zhǔn)確的圖像數(shù)據(jù)信息，且由于LMSE采用局部數(shù)據(jù)處理方式，在執(zhí)行效率上整體性能更高。利用不同算法對(duì)同一訓(xùn)練數(shù)據(jù)獲得的數(shù)據(jù)分類精度差異較大，但對(duì)于同一算法對(duì)所有訓(xùn)練數(shù)據(jù)集上的分類精度變化呈平緩曲線變化，差異性較小，因此可根據(jù)實(shí)際應(yīng)用需要，對(duì)LMSE算法應(yīng)用中選擇符合數(shù)據(jù)樣本精度的變化值即可得到較準(zhǔn)確的圖像數(shù)據(jù)分析結(jié)果。

4 結(jié)束語

基于局部學(xué)習(xí)算法，采用自適應(yīng)迭代方法，通過設(shè)定迭代初值、參數(shù)和自適應(yīng)學(xué)習(xí)，可生成LMSE算法，論文從理論分析和仿真實(shí)驗(yàn)兩方面研究分析了最小均方誤差的表示及應(yīng)用，從實(shí)驗(yàn)數(shù)據(jù)結(jié)果得出，LMSE算法在局部圖像數(shù)據(jù)特征處理上具有較高的分類精度和較優(yōu)運(yùn)算性能。

參考文獻(xiàn)：

[1] 黃劍華. 視頻圖像文本信息提取關(guān)鍵技術(shù)的研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2007.

[2] 馮嘉. SIFT 算法的研究和改進(jìn)[D].吉林：吉林大學(xué)， 2010.

[3] 陳濤. 圖像仿射不變特征提取方法研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2006.

[4] MatasJ， ChumO， UrbanM， et al. RobustwideBaselineStereofromMaximallyStableExtremal Regions. Image and Vision Computing， 2004，22（10）：761-767.

[5] 劉洋，薛向陽，路紅，等. 一種基于邊緣檢測(cè)和線條特征的視頻字符檢測(cè)算法[J].計(jì)算機(jī)學(xué)報(bào)，2005，28 （3）.endprint