应用于水下生物识别的联合范数主成分分析算法北大核心CSCD

针对F范数对离群数据较为敏感,而L1范数能降低离群数据的影响,但无法有效控制重构误差的问题,本文将L1范数与F范数同时作为目标函数的距离度量方式,提出了二维主成分分析(two-dimensional principle component analysis,2DPCA)联合算法2DPCA-F-L1,并给出了其非贪婪求解方法。该算法确保了对图像的分类能力,同时也降低了图像重构时的平均重构误差。本文将提出的2DPCA-F-L1算法在应用于水下生物图像识别时,可以抑制水下光学影像存在的噪声干扰。实验证明,该算法能够精确地识别水下生物的种类,并且在图像重构时相较于其他主成分分析(principle component analysis,PCA)算法具有更优的鲁棒性。