基于子空间学习的视频分类及图像色彩重建问题研究

摘要

图像及视频分类作为一个融合机器学习、模式识别和图像处理等领域的交叉方向，成为目前研究人员研究的热点和难点。另外，如何通过灰度图像进行自动的色彩重建也是当前的一个研究热点，是计算机视觉领域中的一个挑战性问题。针对以上两个问题，本文分别提出对应的算法： 在第三章，本文提出了一种基于时空低秩表示学习的鲁棒视频分类算法，该算法利用了视频数据的空间流形结构和时间连续性：一方面，利用改进的低秩表示模型挖掘全局子空间结构，另一方面，通过加入相邻列之间的稀疏约束，有效利用了视频的时间信息。与传统的方法相比，本文提出的方法更适用于在保持视频时间一致性的同时挖掘数据空间的全局结构，对于稀疏的离群点、噪声以及遮挡具有更强的鲁棒性。针对本文提出的模型，建立了一种基于自适应惩罚线性交替方向法（LADMAP）的高效的数值求解方法。最后，我们对该算法在两个标准数据库(HONDA和 YaleB)上的性能进行了评估。实验结果表明，本文算法取得的结果更具鲁棒性。 在第四章，本文提出了一种基于样本的加权稀疏匹配图像色彩重建方法。首先，将图像分割成超像素，然后为每个超像素提取灰度特征和纹理特征，将它们连接起来形成特征描述符，从参考图像收集到的特征描述符则构成了表示字典。通过求解加权稀疏表示模型构建目标灰度图像与彩色参考图像之间的对应关系，并且基于来自相应的参考超像素的颜色信息对目标超像素进行色彩重建。最后，采用亮度引导的双边滤波器来提高色彩重建结果的一致性。实验结果表明，本文算法在自然图像的色彩重建问题上取得了令人满意的结果。

目录

第一章 绪论

1.1 研究背景及意义

1.2 相关的研究现状

1.3 论文的主要内容和结构

1.4 本章小结

第二章 子空间学习的理论基础

2.1 稀疏表示模型

2.2 低秩表示模型（LRR）

2.3 本章小结

第三章 基于时空低秩表示的视频分类方法

3.1 问题提出

3.2 时空低秩表示模型

3.3 数值算法

3.4实验

3.5 本章小结

第四章 基于加权稀疏匹配的图像色彩重建方法

4.1 问题提出

4.2 基于加权稀疏匹配的图像色彩重建算法

4.3 实验分析与比较

4.4 本章小结

第五章 总结及展望

参考文献

攻读硕士学位期间发表的论文

致谢

声明