稀疏LNMF算法在图像局部特征提取中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (30): 206-209.

• 图形、图像、模式识别 • 上一篇下一篇

稀疏LNMF算法在图像局部特征提取中的应用

尚丽1，苏品刚1，周昌雄1，杜吉祥2，3

1.苏州市职业大学电子信息工程系，江苏苏州 215104
2.华侨大学计算机科学与技术系，福建泉州 362021
3.中国科学技术大学自动化系，合肥 230026

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-21 发布日期:2011-10-21

Application of sparse LNMF in palmprint image local feature extraction

SHANG Li1，SU Pingang1，ZHOU Changxiong1，DU Jixiang2，3

1.Department of Electronic Information Engineering，Suzhou Vocational University，Suzhou，Jiangsu 215104，China
2.Department of Computer Science and Technology，Huaqiao University，Quanzhou，Fujian 362021，China
3.Department of Automation，University of Science and Technology of China，Hefei 230026，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-21 Published:2011-10-21

摘要/Abstract

摘要： 考虑自然图像的先验稀疏结构及其特征子空间的局部性，在局部非负矩阵分解（LNMF）算法的基础上，提出一种具有稀疏约束的局部非负矩阵分解（SC-LNMF）神经网络算法。使用两类自然属性不同的图像在不同的维数下对SC-LNMF网络进行训练，该方法都能成功地提取出训练图像的局部特征。与NMF、LNMF特征提取方法相比，实验对比结果证明了SC-LNMF算法能够模拟大脑初级视觉系统V1区感受野的特性，进一步证实了该算法在图像局部特征提取中的有效性和实用性。

关键词: 稀疏约束, 局部非负矩阵分解（LNMF）, 自然图像, 特征提取

Abstract: Considered the prior sparse structure and the feature subspace locality of a nature image，on the basis of Local Non-negative Matrix Factorization（LNMF），the neural network of LNMF with the sparse constraint，denoted by SC-LNMF，is proposed in this paper.Using three types of nature images to train the SC-LNMF neural network with the different level of image’s dimension，local features of all training images can be extracted successfully.Compared with other feature methods，such as NMF and LNMF，the experimental results prove that the SC-LNMF can simulate the receptivity field of V1 in the primary visual system in brain，and prove that this SC-LNMF method is indeed efficient and application in image local feature extraction.

Key words: sparse constraint, Local Non-negative Matrix Factorization（LNMF）, natural images, feature extraction

尚丽1，苏品刚1，周昌雄1，杜吉祥2，3. 稀疏LNMF算法在图像局部特征提取中的应用[J]. 计算机工程与应用, 2011, 47(30): 206-209.

SHANG Li1，SU Pingang1，ZHOU Changxiong1，DU Jixiang2，3. Application of sparse LNMF in palmprint image local feature extraction[J]. Computer Engineering and Applications, 2011, 47(30): 206-209.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[6]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[7]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[8]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[9]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[10]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[11]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.
[12]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[13]	岳琪，徐忠亮，郭继峰. 面向混合乐器音乐分析的稀疏特征提取方法[J]. 计算机工程与应用, 2021, 57(14): 181-186.
[14]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[15]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.

稀疏LNMF算法在图像局部特征提取中的应用

Application of sparse LNMF in palmprint image local feature extraction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics