基于导出核模型的自然图像匹配学习算法

2008年，S. Smale提出了基于生物视觉皮层模型的图像相似性的新度量方法：导出核模型。将该模型应用于自然图像匹配学习算法是模式识别与图像处理领域的重要而热门的研究课题，具有重要的理论意义和实际应用价值。本项目拟在导出核模型基础上，融入小波多尺度分析和CBCL模型的层次结构理论与思想，结合自然图像多层次结构的特性，探讨自然图像匹配学习算法的理论及其应用。研究导出核模型中的初始核选取、模板选取等对自然图像匹配学习算法的作用和影响。探讨基于导出核理论的图像距离的合理表示，揭示图像数据的自组织分层结构和神经反应的内在低维几何结构与内在联系，探索高维数据在低维可视空间中的最优表达，建立自然图像匹配多层学习算法。为设计和改进基于生物视觉的目标识别算法提供理论依据,为图像处理、模式识别和智能信息处理等领域提供研究方法和理论基础。

自然图像匹配是模式识别与计算机视觉领域中的重要研究课题。在自然图像匹配中，我们会常常面临尺度变化、局部形变以及复杂背景等问题。为了寻求一种有效的解决途径，本项目探讨基于导出核模型的学习理论，设计适合于自然图像的相似性度量和表示算法，以实现准确的图像匹配。本项目已在模板选取、基于流形学习的导出核模型等诸多方面取得了重要进展。首先，项目组对导出核模型的基本问题进行了研究，分析了几种常用核函数和层次结构的特性，设计了一种有监督的模板选取算法，提升了导出核模型的性能。其次，在深入分析导出核模型的基础上，借鉴流形学习理论与方法设计了局部神经反应算法。该算法给出是一种有效的图像表示，可在不变性和区分性间取得平衡，给出更加符合视觉感知的相似性度量；然后，结合对数极坐标变换，构造了一种具有旋转和尺度不变的相似性度量；随后，设计了基于稀疏表示的导出核模型；最后，针对红外小目标识别问题，设计了受导出核模型启发的红外弱小目标检测算法。该算法充分考虑了红外目标的特点和导出核模型的层次结构。项目组已通过仿真实验验证了上述各种研究结论的正确性。本项目的研究丰富了模式识别和计算机视觉领域的理论基础。该项目研究的开展不仅获得了有意义的研究成果，也提升了项目组成员的科学研究水平，培养了一批具有较强研究能力的研究生。