一种融合稀疏与低秩的图像处理方法技术

本发明专利技术公开了一种融合稀疏与低秩的图像处理方法，涉及图像处理技术领域，其技术方案要点是：包括以下步骤：S1，建立鲁棒的领域适应图像处理检索与管理的系统；S2，利用稀疏与低秩表示的本质鲁棒性，再基于稀疏与低秩表示的多源领域对图像处理进行检测；S3，利用大规模数据集对图像处理进行检测；S4，将多源适应稀疏与低秩子空间嵌入图像处理进行检测；其能够在面对复杂的图像处理及应用环境，利用多源Web图像资源实现领域适应图像处理的鲁棒有效检测，同时能够克服现有领域适应学习方法在图像处理应用中所面临的鲁棒有效性问题。

【技术实现步骤摘要】
一种融合稀疏与低秩的图像处理方法
本专利技术涉及图像处理
，更具体地说，它涉及一种融合稀疏与低秩的图像处理方法。
技术介绍
随着基于Web的开放图像资源库(如优酷、YouTube等)在国内外的泛在建立与应用，以及数字存储媒介的不断廉价化和个人手持视频图像设备的便捷化，导致Web上和用户个人存储设备中积累了大量图像(ConsumerVideo)资源，逐渐出现了“数据泛滥，知识贫乏”的现象，许多未经控制的有害(如黄色、封建迷信、反动等)消费图像资源也随之充斥Web空间，严重破坏了Web用户健康的使用环境。因此，如何对这些消费图像资源进行有效索引和合理管理以便从中获取用户所需的有益图像资源是目前绿色图像处理应用面临的一项极具意义的现实需求。目前，虽然用户图像概念识别研究已取得一些有益进展，但用户图像事件尤其是复杂事件的检测研究尚处于初级阶段，且大多囿于图像的异常事件或模式重复事件的识别与检测；另外，传统的图像处理方法需要利用大量带有事件标签的训练数据以学习一个鲁棒的分类器，而面对大量未标注的用户图像资源，这些方法在具体应用中将面临因有限本文档来自技高网...

【技术保护点】
1.一种融合稀疏与低秩的图像处理方法，其特征是：包括以下步骤：/nS1，建立鲁棒的领域适应图像处理检索与管理的系统；/nS2，利用稀疏与低秩表示的本质鲁棒性，再基于稀疏与低秩表示的多源领域对图像处理进行检测；/nS3，利用大规模数据集对图像处理进行检测；/nS4，将多源适应稀疏与低秩子空间嵌入图像处理进行检测。/n

【技术特征摘要】
1.一种融合稀疏与低秩的图像处理方法，其特征是：包括以下步骤：
S1，建立鲁棒的领域适应图像处理检索与管理的系统；
S2，利用稀疏与低秩表示的本质鲁棒性，再基于稀疏与低秩表示的多源领域对图像处理进行检测；
S3，利用大规模数据集对图像处理进行检测；
S4，将多源适应稀疏与低秩子空间嵌入图像处理进行检测。


2.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法，其特征是：在步骤S2中，其具体步骤包括：
S21，建立一个鲁棒的多源或多核领域适应图像处理技术框架；
S22，利用已有的间隔最优化的Relief特征加权技术，抽取融合稀疏与低秩编码和最大相关性准则的图像数据集特征；
S23，分析现有的领域数据总体分布均值和散度一致度量准则在具有流形结构的领域图像数据分布距离度量上存在的不足，基于流形学习思想，提出领域间图像数据类内分布均值及其Laplacian散度一致的分布距离度量新准则，并从理论上分析新旧准则之间的内在关系；
S24，采用现有的图正则化稀疏与低秩表示技术来表示各领域图像数据，通过新的图像数据表示来重构领域分布均值和散度差，或称为领域分布稀疏与低秩均值和散度差；其实在现有的图正则化稀疏与低秩表示模型中引入先验知识，基于最大间隔准则思想，提出有判别图正则化稀疏与低秩表示方法，以此来表示领域图像数据，然后通过新的图像数据表示来构建领域类内分布均值及其Laplacian散度差，或称为领域分布类内稀疏与低秩均值及其Laplacian散度差；
S25，建立稀疏与低秩图模型，运用稀疏与低秩表示技术处理单一源图像领域；
S26,通过建立跨领域稀疏多核学习模型，并处理核空间学习对领域分布距离度量收敛性和跨领域图像处理泛化性能方面的关键影响及其控制方法；
S27，构建多源图像适应联合稀疏与低秩图正则化图像处理模型，进而获得单源和多源图像领域适应图像处理的统一框架，或称为多稀疏与低...

【专利技术属性】
技术研发人员：陶剑文，何颂颂，但雨芳，
申请(专利权)人：宁波职业技术学院，
类型：发明
国别省市：浙江;33