《基於導出核模型的自然圖像匹配學習算法》是依託華中科技大學，由李紅擔任項目負責人的面上項目。
基本介紹
- 中文名：基於導出核模型的自然圖像匹配學習算法
- 項目類別：面上項目
- 項目負責人：李紅
- 依託單位：華中科技大學
項目摘要,結題摘要,
項目摘要
2008年，S. Smale提出了基於生物視覺皮層模型的圖像相似性的新度量方法：導出核模型。將該模型套用於自然圖像匹配學習算法是模式識別與圖像處理領域的重要而熱門的研究課題，具有重要的理論意義和實際套用價值。本項目擬在導出核模型基礎上，融入小波多尺度分析和CBCL模型的層次結構理論與思想，結合自然圖像多層次結構的特性，探討自然圖像匹配學習算法的理論及其套用。研究導出核模型中的初始核選取、模板選取等對自然圖像匹配學習算法的作用和影響。探討基於導出核理論的圖像距離的合理表示，揭示圖像數據的自組織分層結構和神經反應的內在低維幾何結構與內在聯繫，探索高維數據在低維可視空間中的最優表達，建立自然圖像匹配多層學習算法。為設計和改進基於生物視覺的目標識別算法提供理論依據,為圖像處理、模式識別和智慧型信息處理等領域提供研究方法和理論基礎。
結題摘要
自然圖像匹配是模式識別與計算機視覺領域中的重要研究課題。在自然圖像匹配中，我們會常常面臨尺度變化、局部形變以及複雜背景等問題。為了尋求一種有效的解決途徑，本項目探討基於導出核模型的學習理論，設計適合於自然圖像的相似性度量和表示算法，以實現準確的圖像匹配。本項目已在模板選取、基於流形學習的導出核模型等諸多方面取得了重要進展。首先，項目組對導出核模型的基本問題進行了研究，分析了幾種常用核函式和層次結構的特性，設計了一種有監督的模板選取算法，提升了導出核模型的性能。其次，在深入分析導出核模型的基礎上，借鑑流形學習理論與方法設計了局部神經反應算法。該算法給出是一種有效的圖像表示，可在不變性和區分性間取得平衡，給出更加符合視覺感知的相似性度量；然後，結合對數極坐標變換，構造了一種具有旋轉和尺度不變的相似性度量；隨後，設計了基於稀疏表示的導出核模型；最後，針對紅外小目標識別問題，設計了受導出核模型啟發的紅外弱小目標檢測算法。該算法充分考慮了紅外目標的特點和導出核模型的層次結構。項目組已通過仿真實驗驗證了上述各種研究結論的正確性。本項目的研究豐富了模式識別和計算機視覺領域的理論基礎。該項目研究的開展不僅獲得了有意義的研究成果，也提升了項目組成員的科學研究水平，培養了一批具有較強研究能力的研究生。
