楊玲玲

關(guān)鍵詞：K-SVD算法；算法改進(jìn)；圖像識(shí)別

0 引言

作為一項(xiàng)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(lái)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(chǎng)下完成的主要原因是具有相對(duì)較為簡(jiǎn)單的運(yùn)行設(shè)施及FP 技術(shù)所需算法，實(shí)現(xiàn)的功能還包括三維重聚焦[3，4]。在處理稀疏矩陣時(shí)應(yīng)用協(xié)同過(guò)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(cè)及高效運(yùn)行均不能得到充分有效保障，此問(wèn)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(qiáng)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(yǔ)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(cè)前，需按照含有奇異值對(duì)角矩陣、用戶特征向量矩陣、低維項(xiàng)目特征向量矩陣分解高維用戶- 項(xiàng)目評(píng)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(shí)現(xiàn)，并成功應(yīng)用于多特征融合物體成像識(shí)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(cè)試樣本稀疏編碼過(guò)程中，所利用字典選用全部的測(cè)試樣本，測(cè)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(shí)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(jī)網(wǎng)絡(luò)模型的構(gòu)建，實(shí)現(xiàn)自編碼功能，訓(xùn)練參考以上步驟進(jìn)行。

2 物體識(shí)別的應(yīng)用

2.1 物體識(shí)別

在Coil-20 數(shù)據(jù)集中驗(yàn)證ELM 算法。旋轉(zhuǎn)10°后再對(duì)每個(gè)物體進(jìn)行照片采集，共計(jì)獲得36×20 張圖片。采用隨機(jī)方式，在識(shí)別物體的過(guò)程中進(jìn)行訓(xùn)練選取圖片為18×20 個(gè)，專門用于測(cè)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(diǎn)在K-SVD 算法中的設(shè)定，然后完成20 個(gè)節(jié)點(diǎn)的選取，各個(gè)節(jié)點(diǎn)識(shí)別率在ELM 算法隱含層中的測(cè)試結(jié)果如表1 所示。

為全方位評(píng)價(jià)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(jiàn)圖2。通過(guò)ELM 算法，同時(shí)結(jié)合圖2 詳細(xì)數(shù)據(jù)，字典精確度和優(yōu)勢(shì)在處理后的提升效果均十分顯著。

對(duì)比分析表2 數(shù)據(jù)，發(fā)現(xiàn)應(yīng)用不同算法獲取的計(jì)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(lái)看，K-SVD 算法相對(duì)較快，同時(shí)相比SAE 算法，該算法的收斂時(shí)間更短。因此，不論是從計(jì)算效率還是計(jì)算準(zhǔn)確率來(lái)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(shì)。

2.2 多特征融合的物體識(shí)別

本實(shí)驗(yàn)采集數(shù)據(jù)環(huán)節(jié)抓取目標(biāo)數(shù)據(jù)集時(shí)應(yīng)用的機(jī)械臂由康奈爾大學(xué)機(jī)器研究實(shí)驗(yàn)室開(kāi)發(fā)而成。由8 005 張圖像及260 個(gè)對(duì)象構(gòu)成數(shù)據(jù)集，圖像拍攝和存儲(chǔ)利用Kinect，利用機(jī)械臂抓取目標(biāo)，按特定方向和適當(dāng)?shù)谋尘包c(diǎn)云擺放各對(duì)象和設(shè)置各圖像。同時(shí)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(jī)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(shí)驗(yàn)測(cè)試得到，共有3 個(gè)節(jié)點(diǎn)數(shù)均為100 的隱含層包含在ELM 網(wǎng)絡(luò)模型中，識(shí)別效果良好，計(jì)算準(zhǔn)確率結(jié)合實(shí)驗(yàn)測(cè)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(shí)別率僅為83.1%。參考上述分析得出，系統(tǒng)識(shí)別精度在應(yīng)用深度特征后得到顯著提升。本實(shí)驗(yàn)測(cè)試的具體結(jié)果可參考表3 與表4數(shù)據(jù)。

對(duì)比分析表3 數(shù)據(jù)得出，實(shí)驗(yàn)過(guò)程中采用K-SVD算法但未應(yīng)用深度信息的情況下， 識(shí)別準(zhǔn)確率為76.3%，該項(xiàng)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(shí)別準(zhǔn)確率；當(dāng)深度信息匱乏的情況，ELM 識(shí)別率為81.5%；新增深度信息后則增長(zhǎng)至82.9%；除此之外，在對(duì)原始圖像融合特征進(jìn)行處理的過(guò)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(shí)別率，但是識(shí)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(guò)ELM 得到顯著提升，當(dāng)然算法識(shí)別準(zhǔn)確率在多特征加入后也相應(yīng)得到快速增長(zhǎng)。

將較低分辨率的樣本從圖像中篩選出來(lái)，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(yǔ)

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

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

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