LMSE在图像局部特征提取中的应用研究

汤海林

摘要：图像局部特征类型处理是对局部化特征信息的应用，通过采用分割图像区域获得关注图像的局部区域特征，再利用特征描述方法描述图像局部区域。该文分析了MSE和LMSE两种测试图像样本分类算法，对算法的二分类模型及实现进行了详细的阐述，并对两种算法在指定AR数据集上的图像进行分类精度测试，LMSE算法能够通过减小噪声对接收信号的干扰来降低因搜索噪声点而产生的复杂度。通过实验数据分析，基于LMSE算法在数据分类精度和处理效率上性能整體更优。

关键词：LMSE；局部区域；算法；图像特征

中图分类号：TP 391.4 文献标识码：A 文章编号：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

图像匹配技术广泛应用于计算机视觉领域中的立体视觉、目标识别和分类等方面[1]。在机器学习和图像处理领域，对图像处理的方法有全局学习算法和局部学习算法，全局学习算法利用全部训练样本建立学习模型，而局部学习算法[2]则是利用数据的局部结构来构造局部模型，再利用构造的模型对测试样本进行分类。局部模型训练的仅是与特殊的测试数据相关的训练数据，并可获得数据的局部结构。因此，局部学习算法一般优于全部训练样本来构造学习模型的全局算法，特别是对于不均匀分布的数据集来说，局部学习算法是一种很有效的学习方法。

1 最小均方误差

最小均方误差（Minimum Squared Error，MSE）是一种广泛使用的以线性鉴别函数为基础的分类方法。MSE是一种全局算法，它是在全部训练集上构造的学习模型，面向分类的MSE的目的是找到唯一用于区分样本的鉴别向量。当数据是均匀分布或线性可分时，MSE 算法的性能较好。

MSE模型设计基于二分类模型，通过设计两个类别的训练样本，找到线性鉴别函数。具体设计如下：

给出n个训练样本： （1）

设计线性鉴别函数： （2）

具体设计过程：

（3）

其中是预先设定的每一类的号码，即样本的类标签。利用公式（3）模型设计的最小均方误差如下：

（4）

若属于第一类时，则。若属于第二类时，则。得到最小均方误差式为：

（5）

其中：是奇异矩阵。

2 局部最小均方误差

虽然MSE在数据是均匀分布或线性可分时具有较好的精度，但不能处理不均匀分布的数据集。而实际应用中的数据训练样本一般来自一个或多个数据分布，输入空间中也很少有训练样本的数据服从均匀分布，训练数据通常是线性不可分的，因此，对于MSE很难找到非线性的边界[3]。

Matas首次提出最大稳定极值区域（MSERs）[4]局部不变特征提取算法，可以准确检测各种不同形状图像区域并同时具有尺度、旋转和仿射不变性的区域特征，但对于非线性数据信息处理效率不高。

局部最小均方误差（local minimum squared error，LMSE）采用的是局部学习算法，它有效降低了利用全局学习模型的MSE的缺点，可正确分类预测样本，且均方误差更小。利用LMSE学习数据集的局部结构可获得数据集内的非线性信息，适用于数据的不均匀分布，且在算法实现上优于基于线性鉴别分析LDA和保局部映射LPP等分类算法。endprint

面向分类的LMSE可逐一处理测试样本，二元分类的LMSE设计模型如下：

对于测试样本，有K个最近邻，利用寻找核函数：

（6）

其中：

（7）

再将式（7）改寫成局部最小的均方误差：

（8）

若属于1类，则；若属于2类，则；得到最小均方误差为：

（9）

其中：是奇异矩阵。则有：

（10）

对于测试样本，若，则类标签为1，否则为-1。

3 LMSE的应用

利用AR数据集，通过LPP、MSE、LMSE对给定的图像数据集进行预测样本，分析各类算法对图像数据集的分类精度。

给定较大数据量的人脸数据集AR，超过100人的4000幅人脸图像，图像是不同的面部表情、光照条件和遮挡条件下的下面人脸图像。选择数据集中120人，每人25张图像，将所有图像裁剪并调整成分辨率为20*25，再随机将所有图片分为训练和测试两级数据[5]。对于每个人的图像数据选定5，6，7，8，9，组成5个训练子集，每个子集的图像数目为600，720，840，960，1080。利用LPP、MSE、LMSE三种算法对给定图像数据集的精度计算，在LPP中确定局部参数来获取样本的最近邻数目，参数为0.001*d，d是训练集中任意两个样本间的平均距离。在每个数据集上，随机运行各种算法10次，得到如表1所示5个训练子集上的分类结果。

从表1中的各项数据可看出，对于同一数据集的数据，基于LMSE算法的各个训练子集上的分类精度要优于LPP、MSE算法，可获得更准确的图像数据信息，且由于LMSE采用局部数据处理方式，在执行效率上整体性能更高。利用不同算法对同一训练数据获得的数据分类精度差异较大，但对于同一算法对所有训练数据集上的分类精度变化呈平缓曲线变化，差异性较小，因此可根据实际应用需要，对LMSE算法应用中选择符合数据样本精度的变化值即可得到较准确的图像数据分析结果。

4 结束语

基于局部学习算法，采用自适应迭代方法，通过设定迭代初值、参数和自适应学习，可生成LMSE算法，论文从理论分析和仿真实验两方面研究分析了最小均方误差的表示及应用，从实验数据结果得出，LMSE算法在局部图像数据特征处理上具有较高的分类精度和较优运算性能。

参考文献：

[1] 黄剑华. 视频图像文本信息提取关键技术的研究[D]. 哈尔滨：哈尔滨工业大学，2007.

[2] 冯嘉. SIFT 算法的研究和改进[D].吉林：吉林大学， 2010.

[3] 陈涛. 图像仿射不变特征提取方法研究[D].长沙：国防科学技术大学，2006.

[4] MatasJ， ChumO， UrbanM， et al. RobustwideBaselineStereofromMaximallyStableExtremal Regions. Image and Vision Computing， 2004，22（10）：761-767.

[5] 刘洋，薛向阳，路红，等. 一种基于边缘检测和线条特征的视频字符检测算法[J].计算机学报，2005，28 （3）.endprint