湯海林

摘要：圖像局部特征類型處理是對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兩種測試圖像樣本分類算法，對算法的二分類模型及實現(xiàn)進行了詳細的闡述，并對兩種算法在指定AR數(shù)據(jù)集上的圖像進行分類精度測試，LMSE算法能夠通過減小噪聲對接收信號的干擾來降低因搜索噪聲點而產(chǎn)生的復(fù)雜度。通過實驗數(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：TP 391.4 文獻標識碼：A 文章編號：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)用于計算機視覺領(lǐng)域中的立體視覺、目標識別和分類等方面[1]。在機器學(xué)習和圖像處理領(lǐng)域，對圖像處理的方法有全局學(xué)習算法和局部學(xué)習算法，全局學(xué)習算法利用全部訓(xùn)練樣本建立學(xué)習模型，而局部學(xué)習算法[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)造的模型對測試樣本進行分類。局部模型訓(xùn)練的僅是與特殊的測試數(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)習算法一般優(yōu)于全部訓(xùn)練樣本來構(gòu)造學(xué)習模型的全局算法，特別是對于不均勻分布的數(shù)據(jù)集來說，局部學(xué)習算法是一種很有效的學(xué)習方法。

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。當數(shù)據(jù)是均勻分布或線性可分時，MSE 算法的性能較好。

MSE模型設(shè)計基于二分類模型，通過設(shè)計兩個類別的訓(xùn)練樣本，找到線性鑒別函數(shù)。具體設(shè)計如下：

給出n個訓(xùn)練樣本： （1）

設(shè)計線性鑒別函數(shù)： （2）

具體設(shè)計過程：

（3）

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

（4）

若屬于第一類時，則。若屬于第二類時，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。而實際應(yīng)用中的數(shù)據(jù)訓(xùn)練樣本一般來自一個或多個數(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，可以準確檢測各種不同形狀圖像區(qū)域并同時具有尺度、旋轉(zhuǎn)和仿射不變性的區(qū)域特征，但對于非線性數(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)習算法，它有效降低了利用全局學(xué)習模型的MSE的缺點，可正確分類預(yù)測樣本，且均方誤差更小。利用LMSE學(xué)習數(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可逐一處理測試樣本，二元分類的LMSE設(shè)計模型如下：

對于測試樣本，有K個最近鄰，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）

對于測試樣本，若，則類標簽為1，否則為-1。

3 LMSE的應(yīng)用

利用AR數(shù)據(jù)集，通過LPP、MSE、LMSE對給定的圖像數(shù)據(jù)集進行預(yù)測樣本，分析各類算法對圖像數(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，再隨機將所有圖片分為訓(xùn)練和測試兩級數(shù)據(jù)[5]。對于每個人的圖像數(shù)據(jù)選定5，6，7，8，9，組成5個訓(xùn)練子集，每個子集的圖像數(shù)目為600，720，840，960，1080。利用LPP、MSE、LMSE三種算法對給定圖像數(shù)據(jù)集的精度計算，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)練集中任意兩個樣本間的平均距離。在每個數(shù)據(jù)集上，隨機運行各種算法10次，得到如表1所示5個訓(xùn)練子集上的分類結(jié)果。

從表1中的各項數(shù)據(jù)可看出，對于同一數(shù)據(jù)集的數(shù)據(jù)，基于LMSE算法的各個訓(xùn)練子集上的分類精度要優(yōu)于LPP、MSE算法，可獲得更準確的圖像數(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，但對于同一算法對所有訓(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)實際應(yīng)用需要，對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，可生成LMSE算法，論文從理論分析和仿真實驗兩方面研究分析了最小均方誤差的表示及應(yīng)用，從實驗數(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)運算性能。

參考文獻：

[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[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].長沙：國防科學(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. 一種基于邊緣檢測和線條特征的視頻字符檢測算法[J].計算機學(xué)報，2005，28 （3）.endprint