一种基于低秩描述的图像集分类方法
基于低秩子空间表示的高光谱图像分类方法
高光谱图像的数据结构可以看作是一个三维矩阵，其中第一维是行，表示图像的行 数，第二维是列，表示图像的列数，第三维是波段，表示光谱信息。
高光谱图像的应用领域
环境监测
农业应用
高光谱图像可以捕捉到土壤、植被等环境 因素的光谱特征，从而对环境状态进行监 测和评估。
视频处理
将该方法应用于视频处理领域，可以更有效地进 行视频目标检测、行为分析等任务。例如，可以 利用高光谱图像中的时间信息，对视频中的运动 目标进行检测和跟踪。
医学图像处理
将该方法应用于医学图像处理领域，可以更有效 地辅助医生进行疾病诊断和治疗。例如，可以对 医学图像进行分类和分割，提取病变区域并进行 定量分析。
地质勘探
通过对高光谱图像的分析，可以获取农作 物的生长状态、病虫害情况等信息，为农 业生产提供决策支持。
遥感侦查
高光谱图像可以反映不同地物的光谱特征 ，从而进行地质勘探、矿产资源调查等应 用。
高光谱图像具有高度识别能力，可以用于 军事遥感侦查、目标识别等方面。
高光谱图像的挑战性问题
数据量大
高光谱图像数据量巨大，处理 难度较高，需要高效的算法和
将多个分类器的结果进行集成，以获得更好 的分类性能。例如，采用投票法将多个分类 器的结果进行集成，以得到更准确的分类结 果。
参数优化
优化模型的参数，以提高模型的性能。例如 ，使用网格搜索、随机搜索等方法，寻找最 优的模型参数。
应用拓展的方向
遥感图像分析
将基于低秩子空间表示的高光谱图像分类方法应 用于遥感图像分析领域，可以更有效地识别地物 类型、监测环境变化等。
在低秩子空间表示中，数据被表示为多个原子（或基）的线性组合，其 中基的数量远小于数据的维度。这些基可以是数据集中的样本，也可以
基于低秩子空间表示的高光谱图像分类方法
高光谱图像具有较高的光谱分辨率和 空间分辨率，能够同时获取地物的空 间信息和光谱信息，为地物识别和分 类提供了丰富的数据源。
高光谱图像特点
丰富的光谱信息
高光谱图像包含了地物反射、发 射和透射等不同方式的光谱信息 ，为地物识别提供了丰富的特征
。
较高的空间分辨率
高光谱图像的空间分辨率较高，能 够清晰地反映地物的细节特征。
基于低秩子空间表示的高光 谱图像分类方法
汇报人： 2023-12-22
目录
• 引言 • 高光谱图像基本理论 • 低秩子空间表示理论 • 基于低秩子空间表示的高光谱
图像分类方法 • 实验结果与分析 • 结论与展望
01
引言
高光谱图像分类的意义
01
高光谱图像分类在遥感、环境监 测、城市规划等领域具有广泛应 用，能够为这些领域提供更准确 、更精细的数据支持。
THANKS
谢谢您的观看
低秩约束
在稀疏表示过程中，引入低秩约束，使得稀疏系数矩阵具有较低的秩，从而更好 地表示高光谱图像中的信息。
基于低秩矩阵分解的高光谱图像分类方法
矩阵分解
将高光谱图像表示为矩阵形式，利用矩阵分解技术，将矩阵分解为多个低秩矩阵的乘积，从而提取图 像中的特征信息。
分类器设计
根据提取的特征信息，设计分类器对高光谱图像进行分类。
未来研究方向和展望
01 02 03 04
深入研究低秩子空间表示的内在机制和性质，进一步优化表示方法
将所提出的方法应用于其他类型的图像分类任务，如多模态图像分类
探索低秩子空间表示与其他先进技术的结合，如深度学习、迁移学习 等
期望所研究的方法能够在实际应用中得到广泛推广和应用，为高光谱 遥感图像分类提供强有力的支持
基于低秩矩阵分解和协作表示的人脸图像分类
基于低秩矩阵分解和协作表示的人脸图像分类
阴亚芳;李倩;廖延娜
【期刊名称】《西安邮电学院学报》
【年(卷),期】2015(020)001
【摘要】为了降低干扰因素对人脸识别准确率的影响,提出一种基于低秩矩阵分解和协作表示的人脸图像分类算法.针对噪声阴影影响,使用鲁棒主分量分析(RPCA)对人脸数据进行低秩矩阵分解,去除干扰,得到较为干净的人脸图像.通过协作表示分类方法对经RPCA处理后的低秩分量图像进行分类,通过归一化的最小重构误差来判定测试样本的具体类标.在3个人脸数据集上对算法性能进行仿真测试,结果表明,该算法在10％到50％的标记率下较其他算法均能提升分类识别率.
【总页数】5页(P70-74)
【作者】阴亚芳;李倩;廖延娜
【作者单位】西安邮电大学电子工程学院,陕西西安710121;西安邮电大学电子工程学院,陕西西安710121;西安邮电大学理学院,陕西西安710121
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法 [J], 杜海顺;张旭东;金勇;侯彦东
2.基于矩阵分解和非凸秩近似的低秩表示算法 [J], 李帅
3.基于低秩稀疏分解与协作表示的图像分类算法 [J], 张旭;蒋建国;洪日昌;杜跃
4.基于低秩矩阵分解和协作表示的人脸图像分类 [J], 阴亚芳;李倩;廖延娜;
5.基于约束低秩表示模型的联合半监督分类算法 [J], 张雷杰;彭勇;孔万增
因版权原因，仅展示原文概要，查看原文内容请购买。
基于低秩逼近的彩色图像分割方法
基于低秩逼近的彩色图像分割方法张琦;陈金勇【摘要】针对谱聚类算法存在的计算复杂度过高而难以成功应用到较大规模图像处理的问题,提出基于低秩逼近的彩色图像分割算法(Color Image Segmentation algorithm based on Low Rank Approximation,CISCLRA),实现大规模矩阵的快速特征值分解,降低了谱聚类算法的计算复杂度.设计一种将Mean Shift(MS)算法和CISCLRA相结合的图像分割算法——MS-CISCLRA算法.MS-CISCLRA算法利用MS算法对目标图像进行预分割;将每个分割区域内的所有像素的彩色向量平均值作为CISCLRA算法的输入;应用CISCLRA算法进行全局最优聚类.因为分割区域的数目远小于图像的像素点数,所以MS-CISCLRA算法能够以极低的复杂度进行彩色图像分割.实验结果表明,MS-CISCLRA算法能够取得比MS-Ncut算法更好的图像分割效果.【期刊名称】《无线电工程》【年(卷),期】2016(046)006【总页数】4页(P30-33)【关键词】特征值分解;低秩逼近;谱聚类;彩色图像分割【作者】张琦;陈金勇【作者单位】中国电子科技集团公司航天信息应用技术重点实验室, 河北石家庄050081;中国电子科技集团公司航天信息应用技术重点实验室, 河北石家庄050081【正文语种】中文【中图分类】TP391.41图像分割是计算机视觉中的关键问题，广泛应用于通信、军事、遥感图像分析、医学诊断、智能交通、农业现代化以及工业自动化等诸多领域[1]。
目前，应用于图像分割的聚类算法主要有K-means算法[2]、FCM算法[3]、层次聚类算法[4]、AP算法[5]、Means Shift算法[6]和谱聚类算法[7]等。
文献[8]提出基于Nyström逼近的谱聚类算法(NYSC)。
文献[9]提出了一种基于低秩逼近技术的内核算法(KBLA)，KBLA算法不仅逼近误差较小，而且不需要为不同的数据选择不同形式的核函数，但它在执行效率和逼近误差两方面还有待改进。
基于低秩稀疏分解与协作表示的图像分类算法
基于低秩稀疏分解与协作表示的图像分类算法
张旭;蒋建国;洪日昌;杜跃
【期刊名称】《计算机科学》
【年(卷),期】2016(043)007
【摘要】目前,大部分图像分类算法为了获取较高的性能均需要充分的训练学习过程,然而在实际应用中,往往存在训练样本不足及过拟合等问题.为了避免上述问题出现,在朴素贝叶斯最近邻分类算法的原理框架下,基于非负稀疏编码、低秩稀疏分解以及协作表示提出一种非参数学习的图像分类算法.首先,基于非负稀疏编码和最大值汇聚操作表示图像信息,并构建具有低秩性质的同类训练图像集的局部特征矩阵;其次,采用低秩稀疏分解结合别类标签信息构建两类视觉词典以充分利用同类图像的相关性和差异性;最后基于协作表示表征测试图像并进行分类决策,实验结果验证了所提算法的有效性.
【总页数】6页(P83-88)
【作者】张旭;蒋建国;洪日昌;杜跃
【作者单位】合肥工业大学计算机与信息学院合肥230009;陆军军官学院计算机教研室合肥230031;合肥工业大学计算机与信息学院合肥230009;合肥工业大学计算机与信息学院合肥230009;陆军军官学院控制工程教研室合肥2300313【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于低秩矩阵分解和协作表示的人脸图像分类 [J], 阴亚芳;李倩;廖延娜
2.基于低秩矩阵分解和协作表示的人脸图像分类 [J], 阴亚芳;李倩;廖延娜;
3.基于矩阵低秩稀疏分解的图像去噪算法 [J], 王雪; 靳伍银
4.基于低秩稀疏分解优化的图像标签完备 [J], 孟磊; 张素兰; 胡立华; 张继福
5.基于联合低秩稀疏分解的红外与可见光图像融合 [J], 王文卿;马笑;刘涵
因版权原因，仅展示原文概要，查看原文内容请购买。
基于稀疏低秩描述的图像检索方法
基于稀疏低秩描述的图像检索方法
陈刚;岳晓冬;陈宇飞
【期刊名称】《计算机科学》
【年(卷),期】2014(041)003
【摘要】使用颜色、形状、纹理等特征的基于内容的图像检索技术,将图像看作向量空间中的点,通过计算两点之间的某种距离来衡量图像间的相似度,然而在提取图像特征时相同类型的图像会出现不一致的特征,极大地影响了检索算法的准确率.针对该问题,提出一种稀疏低秩描述的多特征图像检索方法.通过对图像集的稀疏低秩描述,保持了相同类别特征的全局结构,同时也降低了对于局部噪声的敏感度,增强了检索算法的鲁棒性.在Corel图像集上的检索实验结果表明,该方法较已有的基于内容的图像检索方法有更好的检索效果.
【总页数】4页(P302-305)
【作者】陈刚;岳晓冬;陈宇飞
【作者单位】同济大学企业数字化技术教育部工程研究中心上海200092;上海大学计算机工程与科学学院上海200444;同济大学企业数字化技术教育部工程研究中心上海200092
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于低秩矩阵与稀疏约束的运动模糊图像盲复原 [J], 鱼轮;韩美林
2.基于加权块稀疏联合非凸低秩约束的高光谱图像去条带方法 [J], 袁宇丽;吕俊瑞;罗学刚
3.基于低秩和稀疏模型的高光谱图像快速去噪方法 [J], 杨垚;黄聪;王华军
4.基于全局稀疏梯度与低秩张量正则化的多源多波段图像融合方法 [J], 黄志忠;潘汉
5.基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究 [J], 卢文锋;佀同光;韩国勇因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ： ｍａ ｎ ｉ ｆ ｏ ｌ ｄ ｄ ｉ ｓ ｃ ｒ ｉ ｍｉ ｎ ａ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ； ｌ ｏ ｗ－ ｒ ａ ｎ ｋ
ｒ ｅ ｐ ｒ ｅ ｅｎ ｓ ａｔ ｔ ｉ ｏ ｎ；ｉ ｍａ ｇ ｅ ｅｔ ｓ ；ｇ ｒａ ｐ ｈ ｅ ｍｂ ｅ ｄ ｄ ｉ ｎ ｇ
点 个 数 的选 择 ， 并 增 强 了变 换 后 流 形 的可 分 辨 性 ． 由１ ５类 复 杂 自然 场 景 和 Ｃ ａ ｌ ｔ ｅ ｃ ｈ ｌ ０ １图像 数 据 集 的 实 验 结 果 表 明 ， 该方 法是可行 的， 并 且 极 大 地 提 高 了图 像 集 分 类 的 准 确 率 ．
ｎ ｏ ｄ ｅ ｓ ｗｉ ｔ ｈ ｔ ｅ ｓ ｈ ａ ｍｅ ｌ ａ ｂ ｅ ｌ ａ ｎ ｄ ａ ｌ １ ｔ ｅ ｄ ｈ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｌ ａ ｅｌ ｂ
ｎ ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｄ ｕ ｒ ｉ ｎ ｇ ｈｅ ｔ ｍａ ｎ ｉ ｆ ｏ ｌ ｄ ｍａ ｐ ｐ ｉ ｎ ｇ ａｎ ｃ ａ ｌ ｗａ ｙ ｓ ａ ｃ ｈ ｉ ｅ ｖ ｅ 出现 变 换 后 流形 的 可 分 辨 性 相 比 变 换 前 提 升 很 小 甚 至 更 低 ｉ
Ｒｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ Ｏ ｎ
ＬＵ Ｘｕ ａ ｎ ’ 。 ， ＷＡＮＧ Ｚｈ ｉ ｃ ｈ ｅ ｎ ｇ ， Ｚ Ｈ ＡＯ Ｗｅ ｉ ｄ ｏ ｎ ｇ ，
而 复杂 场 景 图像 的分 类 是 十 分 困难 的 ， 同一 类 场 景
的图像 （ 如卧 室 ） 也 会 因 为光 照 、 角度 以及 自身 类 内 变化 而表 现不 同 （ 图１ ） ， 即使 是 同一类 图像之 间仍 存
（ １ ５ 一 ｓ ｃ ｅ ｎ ｅ ｓ ａｔ ｃ ｅ ｇ ｏ ｒ ｉ ｅ ｓ ａ ｎ ｄ Ｃ ａ ｌ ｔ ｅ ｃ ｈ ｌ ０ １ ）ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｅ ｈ ｐ ｒ ｏ ｏｓ ｐ ｅｄ
ｍｅ ｈｏ ｔ ｄ ｒｅ ｇ ａ ｔ ｌ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｏ ｆ ｉ ｍａ ｇ ｅ
吕 煊 。 ， 王 志成 ， 赵卫 东 ， 刘 玉淑
（ １ ． 同济大学 Ｃ ＡＤ研究 中心 ， 上海 ２ ０ ０ ０ ９ ２ ；２ ． 同济大学 企业数字化技术教育部工程研究中心 ， 上海 ２ ０ ０ ０ ９ ２ ３ ． 重 庆市 国土资源和房屋勘测规划院 ， 重庆 ４ ０ ０ ０ ２ ０ ；４ ． 山东大学 信息科学与工程学院 ， 山东 济南 ２ ５ ０ １ ０ ０ ）
文章编号 ： ０ ２ ５ ３ — ３ ７ ４ Ｘ （ ２ ｏ １ ３ ） ０ ２ — ０ ２ ７ １ — ０ ６
Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ０ ２ ５ ３ — ３ ７ ４ ｘ ． ２ ０ １ ３ ． ０ ２ ． ０ 图 像 集 分 类 方 法
关键词 ：流形 鉴别分析 ； 低秩分解 ；图像集 ； 局部 图嵌入
中 图分 类 号 ：Ｔ Ｐ ３ ９ １ 文献标志码 ： Ａ
图像 分类是 信 息处理 的重要 内容 之一 ， 快速、 精
确 的 图像 分 类 方法 是 实 现 许 多 实 际应 用 的前 提． 然
Ｉ ｍａ ｇ ｅ Ｓ ｅ ｔ Ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｌ ｏ ｗ－ ｒ ａ ｎ ｋ
ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｌ ｏ ｗ－ ｒ ａ ｎ ｋ ｒ ｅ ｐ ｒ ｅ ｅｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ （ ＬＲ Ｒ） ｆ ｏ ｒ ｅ ａ ｃ ｈ ｉ ｍａ ｅ ｇ ｓ ｅ ｔ ．Ｍ ｔ ｅ ｒ ｔ ｅ ｈ ｌ ｏ ｗ— ｒ ａ ｎ ｋ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ ｏ ｆ ｅ ａ ｃ ｈ ｅｔ ｓ ｅｉ ｂ ｎ ｇ ｒ ｅ ｃ ｏ ｖ ｅ ｒ ｅ ｄ， ｔ ｏ ｐ ｒ ｅ ｓ ｅ ｒ ｖ ｅ ｔ ｈｅ ｎ ｅ ａ ｒ ｅ ｓ ｔ ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｕ ｒ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｏ ｆ
ｔ ｅ ｈ ｂ ｅ ｓ ｔ ｐ ｅ ｒ ｆ ｏ ｍ ａ ｒ ｎ ｃ ｅ ．Ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ｏ ｎ ｔ ｗｏ ｉ ｍａ ｅ ｇ ｄ ａ ａｓ ｔ ｅ ｔ ｓ
Ｇｒ ａ ｓ ｓ ｍａ ｎ ｎ ｉ ａ ｎ流形鉴 别 分 析方 法． 通 过 对 图像 集 的低 秩描 述， 流形变换 中局部嵌入时仅保持 同类 别节点 的最 近邻 局部 结构 以及所有节 点间的相 异类 别信息 ， 从而避 免 了对 近邻节
摘要： 保持局部 图嵌入的流形鉴别分析方法将 图像集所属子 空 间看作 流形 上 的点 ， 并使 流 形变 换 前后 局 部结 构 关 系不 变． 然而在构造局部 区域相 似 图矩阵 时 ， 用于 描述 节点 局部 区域范 围的近邻 节点个数会极 大地影 响算法 的准确率 ， 并会
的 情 况 ．针 对 该 问 题 ，提 出 了 一 种 低 秩 描 述 下 的
第４ １卷 第 ２期 ２ ０ １ ３年 ２月
同 济 大 学 学 报（ 自 然 科 学 版）
Ｊ Ｏ Ｕ Ｒ Ｎ Ａ Ｌ Ｏ Ｆ Ｔ Ｏ Ｎ Ｇ Ｊ Ｉ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ Ｙ （ Ｎ Ａ Ｔ Ｕ Ｒ Ａ Ｌ Ｓ Ｃ Ｉ Ｅ Ｎ Ｃ Ｅ ）
Ｖ０ １ ． ４ １ Ｎｏ ． ２ Ｆ ｅ ｂ．２ ０１ ３