基于競爭學習機制的聚類算法在圖像匹配中的應用.pdf

1、在傳統(tǒng)的基于特征的圖像匹配過程中，通過直接在參考圖像的特征集中搜索與查詢特征最相近的特征進行匹配。但是特征點數量過多時，特征點匹配次數會急劇上升，匹配效率會降低。實際上，特征在高維空間中都會呈現簇狀結構，這個簇狀結構隱藏了特征的分類信息。本文通過聚類算法對特征進行分類，挖掘特征的簇狀結構，將特征空間劃分成若干個緊湊的子空間。然后在特征點匹配階段，只需在對應的類中尋找與之匹配的特征點，提高匹配效率。但是傳統(tǒng)的聚類算法需要預先指定類別數，才

2、能得到較好的聚類效果。次勝者懲罰競爭學習(RPCL)算法能自動選擇合理的類別數，但對相關參數的選取較敏感；以及其變種 RPCCL算法將所有的競爭單元當成冗余單元進行懲罰不太合理。
　　本文通過對競爭學習算法面臨的問題進行深入研究，提出了一種可區(qū)分懲罰的競爭學習(DPCL)算法。算法中各個單元的學習率可以在迭代過程中自適應調整；同時使用一種可區(qū)分懲罰的機制來區(qū)分競爭單元中的冗余單元和正確單元，給予冗余單元較重懲罰，正確單元輕微懲罰，

3、使得算法能自動確定正確類別數。在特征匹配前，本文使用該算法先對兩幅圖像的特征進行聚類，分別將兩個特征集劃分成若干個子集。根據聚類結果，以所有中心單元為節(jié)點構建成一棵 KD樹，然后將各個子類數據作為節(jié)點，分別構建成一棵 KD子樹。在特征點匹配過程中，使用BBF最近鄰查詢算法在對應的子類中查找最鄰近的特征點。
　　最后，本文通過圖像匹配實驗來驗證本課題的正確性，比較引入本文的可區(qū)分懲罰的競爭學習算法前后，對圖像匹配結果的影響。實驗結果