楊玲玲

關(guān)鍵詞：K-SVD算法；算法改進(jìn)；圖像識別

0 引言

作為一項重要可用于恢復(fù)樣品高分辨率和相位的技術(shù)，近幾年來傅里葉疊層成像（FP） 取得顯著進(jìn)步[1，2]。樣品高分辨率成像在大視場下完成的主要原因是具有相對較為簡單的運行設(shè)施及FP 技術(shù)所需算法，實現(xiàn)的功能還包括三維重聚焦[3，4]。在處理稀疏矩陣時應(yīng)用協(xié)同過濾算法，該算法基于內(nèi)存分析完成建立，所以系統(tǒng)準(zhǔn)確預(yù)測及高效運行均不能得到充分有效保障，此問題需將新算法引入完成處理，將原傳統(tǒng)算法進(jìn)行改進(jìn)。在推薦算法中早已應(yīng)用SVD 技術(shù)，表現(xiàn)出較強的降維性能，結(jié)果顯示可顯著改善數(shù)據(jù)稀疏性[5]。最初在搜索潛在語義領(lǐng)域應(yīng)用SVD 技術(shù)，該算法被應(yīng)用于推薦算法中，確定維數(shù)完成預(yù)測前，需按照含有奇異值對角矩陣、用戶特征向量矩陣、低維項目特征向量矩陣分解高維用戶- 項目評分矩陣，維數(shù)確定需結(jié)合奇異值大小及數(shù)量[6]。

本文獲取ELM 算法采用K-SVD 算法改進(jìn)處理實現(xiàn)，并成功應(yīng)用于多特征融合物體成像識別領(lǐng)域。

1 ELM改進(jìn)K-SVD算法

1.2 訓(xùn)練ELM算法

訓(xùn)練DELM-AE 算法的流程圖如圖1 所示。在測試樣本稀疏編碼過程中，所利用字典選用全部的測試樣本，測試樣本標(biāo)簽值的判定則需依據(jù)重構(gòu)誤差最小準(zhǔn)則。

訓(xùn)練算法數(shù)據(jù)傳輸模式在隱含層及輸入均選用全連接模式，學(xué)習(xí)參數(shù)用β 表示。同時選用單隱層ELM 算法解析算法各層及前一層，有利于訓(xùn)練成本的大幅降低，單隱層ELM“輸入層”用“輸出層”代替。參考此方法可完成極限學(xué)習(xí)機網(wǎng)絡(luò)模型的構(gòu)建，實現(xiàn)自編碼功能，訓(xùn)練參考以上步驟進(jìn)行。

2 物體識別的應(yīng)用

2.1 物體識別

在Coil-20 數(shù)據(jù)集中驗證ELM 算法。旋轉(zhuǎn)10°后再對每個物體進(jìn)行照片采集，共計獲得36×20 張圖片。采用隨機方式，在識別物體的過程中進(jìn)行訓(xùn)練選取圖片為18×20 個，專門用于測試的樣本數(shù)據(jù)為剩余圖片。

基于3 層ELM 算法完成隱含層節(jié)點在K-SVD 算法中的設(shè)定，然后完成20 個節(jié)點的選取，各個節(jié)點識別率在ELM 算法隱含層中的測試結(jié)果如表1 所示。

為全方位評價字典學(xué)習(xí)結(jié)果，K-SVD 學(xué)習(xí)字典情況依據(jù)ELM 算法獲取，具體結(jié)果見圖2。通過ELM 算法，同時結(jié)合圖2 詳細(xì)數(shù)據(jù)，字典精確度和優(yōu)勢在處理后的提升效果均十分顯著。

對比分析表2 數(shù)據(jù)，發(fā)現(xiàn)應(yīng)用不同算法獲取的計算準(zhǔn)確率不同，包括K-SVD算法、SAE 算法及ELM 算法。數(shù)據(jù)結(jié)果顯示，從收斂速度來看，K-SVD 算法相對較快，同時相比SAE 算法，該算法的收斂時間更短。因此，不論是從計算效率還是計算準(zhǔn)確率來看，相比于ELM 算法，改進(jìn)的K-SVD 算法表現(xiàn)出較佳的性能優(yōu)勢。

2.2 多特征融合的物體識別

本實驗采集數(shù)據(jù)環(huán)節(jié)抓取目標(biāo)數(shù)據(jù)集時應(yīng)用的機械臂由康奈爾大學(xué)機器研究實驗室開發(fā)而成。由8 005 張圖像及260 個對象構(gòu)成數(shù)據(jù)集，圖像拍攝和存儲利用Kinect，利用機械臂抓取目標(biāo)，按特定方向和適當(dāng)?shù)谋尘包c云擺放各對象和設(shè)置各圖像。同時按照24×24 的尺寸標(biāo)準(zhǔn)調(diào)整設(shè)置圖像像素大小，任何彩色與深度的圖片都涵蓋在內(nèi)，2 304 維的目標(biāo)由各機械臂抓取，576維深度特征及1 728 維RGB 特征均包含在內(nèi)。

經(jīng)實驗測試得到，共有3 個節(jié)點數(shù)均為100 的隱含層包含在ELM 網(wǎng)絡(luò)模型中，識別效果良好，計算準(zhǔn)確率結(jié)合實驗測試結(jié)果最終為90.1%；參數(shù)條件設(shè)置一致，僅有RGB 特征存在的情況下，識別率僅為83.1%。參考上述分析得出，系統(tǒng)識別精度在應(yīng)用深度特征后得到顯著提升。本實驗測試的具體結(jié)果可參考表3 與表4數(shù)據(jù)。

對比分析表3 數(shù)據(jù)得出，實驗過程中采用K-SVD算法但未應(yīng)用深度信息的情況下， 識別準(zhǔn)確率為76.3%，該項參數(shù)數(shù)據(jù)在使用深度特征信息后有顯著提升，可達(dá)到81.4% 的識別準(zhǔn)確率；當(dāng)深度信息匱乏的情況，ELM 識別率為81.5%；新增深度信息后則增長至82.9%；除此之外，在對原始圖像融合特征進(jìn)行處理的過程中，將ELM 網(wǎng)絡(luò)模型引入到前端，即使應(yīng)用傳統(tǒng)K-SVD 算法也能獲取89.83% 準(zhǔn)確率較高的識別率，但是識別準(zhǔn)確率在深度信息未涵蓋的情況下僅為83.9%。K-SVD 算法性能可通過ELM 得到顯著提升，當(dāng)然算法識別準(zhǔn)確率在多特征加入后也相應(yīng)得到快速增長。

將較低分辨率的樣本從圖像中篩選出來，然后再將其分辨率進(jìn)行恢復(fù)，有利于減少傅里葉疊層成像數(shù)量。

3 結(jié)束語

本文開展基于ELM 改進(jìn)K-SVD 算法的多特征融合物體成像識別分析，得到如下有益結(jié)果：

1）不論是從計算效率還是計算準(zhǔn)確率來看，改進(jìn)的K-SVD 算法表現(xiàn)出較佳優(yōu)勢。

2）K-SVD 算法性能可通過ELM 顯著提升，算法識別準(zhǔn)確率在多特征加入后也相應(yīng)快速增長。