题目：基于LNP的半监督图像分类

图像分类是图像分析、理解以及目标识别等的重要基础，在图像工程中占有重要位置。目前有很多方法来解决这一问题。其中，基于图的半监督学习方法受到了越来越多的关注，它利用标记信息和无标记信息来进行分类，目标函数为凸函数，且优化更简单，这比监督学习和无监督学习更为高效。线性近邻传递算法是一种基于图的半监督学习方法，并被运用于分类问题中。在实际的应用中存在以下问题：在像素点上建立图模型时，往往会因为图像过大而导致计算复杂度很高，近邻数目的选择将直接影响权值矩阵的计算；另外，在少量标记样本的情况下，图像分类易受目标的难易程度、噪声、纹理等的影响。减少建图顶点数目、近邻数目的自适应选择以及有效的去除噪声或纹理显得很有必要，有助于提高学习器的正确分类和效率。本文主要针对线性近邻传递算法进行研究，针对上述问题，提出了相应的改进，得出了两种图像分类的方法。论文主要工作如下：1) 介绍了图像分类的概念及常用的分类方法，半监督学习的基本理论知识及国内外研究现状，重点综述了基于图的半监督学习的理论基础、主要方法、研究现状，并对基于图的半监督方法存在的缺陷和难点进行了分析。对于这些方法的应用进行了阐述，并且重点介绍了线性近邻传递算法。2) 针对图像，在LNP分类算法中，由于图像过大时计算复杂度高，以及近邻数目选择不当导致分类结果不精确的问题，提出了基于局部聚类的自适应LNP分类算法。该方法对LNP分类算法的改进主要体现在两方面，首先运用quick shift进行局部聚类，得到点簇集，以此点簇集作为建图节点，达到缩小矩阵规模的目的；其次，采用测地距离和欧式距离之间的关系来动态确定每个点的近邻数。实验结果表明，本文方法在得到较好的分类结果的同时，也极大的缩短了运行时间，提高了效率。3) 针对含噪声或者纹理较多的图像，在运用线性近邻传递分类算法进行图像分类时，建图时的顶点数目以及相似度的计算成为难点。在前文的基础上，提出了一种基于图像分解和分水岭的线性近邻传递图像分类算法。通过利用图像分解去除图像上的噪声或者大部分纹理，使得相似度计算更加精确，同时利用分水岭算法进行过分割，大大的减少了建图时的顶点数目，在降低了计算复杂度的同时，又提高了分类的正确率。通过实验比对分析，所提方法在分类效果上有更好的表现。