摘要为了实现夜视图像自适应化、高分辨率的分类，而现有流形学习算法在进行特征提取时存在一些缺陷，基于现有流形学习算法，本文提出了一种新的无参数、有监督的特征提取算法。为了削弱噪声对样本间相似性的影响，该算法利用相关系数来衡量样本间相似性。该算法先根据相关系数来自适应地选出同类的近邻样本和不同类的近邻样本，再依据近邻样本分别建立类内散步矩阵和类间散布矩阵，用于描述每个流形的局部结构和不同流形间的离散性。最后，建立目标函数并使用Fisher准则对其进行求解，同时最小化类内散布矩阵并最大化类间散布矩阵。整个过程实现了无参数化。本文通过AR、CMU PIE人脸数据库以及红外夜视图像数据库来验证该算法的有效性和效率。实验证明，该算法优于其他算法，如LDA、LPP、CMVM和MMDA算法，并且在夜视图像分类上尤其显著。78806
毕业论文关键词 自适应 无参数 局部保留映射 特征提取 夜视图像分类
毕业设计说明书外文摘要
Title Night vision image classification based on adaptive manifold dimensionality reduction
Abstract In this paper, a new adaptive and parameterless locality preserving projections（APLPP） ,which is improved on the basis of the original feature extraction algorithm, is proposed to realize the adaption and high recognition rate of night vision image classification and income the shortcomings in many existing manifold learning algorithms。 The correlation coefficient is used to characterize the distribution of arbitrarily samples in order to weaken the influence of noise。 We use the correlation coefficient to select nearby samples of every class and nearby samples of different classes adaptively and then use these nearby samples to construct the local relation graph and label graph to characterize the local structure of each manifold and discriminative information of different manifolds respectively。 Finally, the objective function is established and solved by Fisher criterion in order to minimize the scattering matrix in class and maximize the scattering matrix between classes at the same time。 The whole process is parameterless。 CMU PIE face database and infrared night vision database are all taken to examine the effectiveness and efficiency of the proposed method。 Experimental results validate that the proposed approach is superior to other feature extraction methods, such as LDA、LPP、CMVM and MMDA，and on the night vision image classification is especially striking。
Keywords adaptive，parameterless，Locality Preserving Projections，feature extraction, Night vision image classification
目 次
1 引言 1
2 现有部分算法简介 3
2。1 LDA算法简介 3
2。2 LPP算法简介 4
2。3 CMVM算法简介 5
2。4 MMDA算法简介 5
3 本文算法介绍 7
3。1 目的 7
3。2 实现过程 7
3。3 与LDA、LPP、CMVM和MMDA的比较 10
4 实验结果分析 12
4。1 AR人脸数据集上的实验结果 12
4。2 CMU PIE人脸数据集的实验结果 13
4。3 红外夜视图像数据集的实验结果 15
4。4 实验结果分析 17
结论 22
致谢 23
参考文献24
1 引言
伴随着科技的发展，人类处理数据能力越来越强，但同时人类获得的数据越来越多，并且这些数据通常具有很高的维数。例如，对于夜视图像而言，维数等于图像的像素，而像素一般都很高。那么，如何从这些高维的数据中提取出有用的部分用来进行后续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。对于许多问题例如数据可视化、计算机视觉、模式识别和夜视图像分类，特征提取都是一个基础性的问题[1]。夜视图像分类是夜视图像信息处理中最基本的问题之一,其分类技术是夜视系统中的关键技术[2]。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。对于夜视图像分类来说，特征提取是关键。 Fisher基于自适应流形降维的夜视图像分类:http://www.youerw.com/tongxin/lunwen_90921.html