پردازش تصویر بین‌دامنه‌ای با استفاده از تحلیل تفکیک خطی فیشر و واگرایی برگمن

Abstract

پردازش تصویر روشی برای اعمال برخی عملیات‌ها برروی تصویر، برای به‌دست‌آوردن تصاویری با کیفیت بالاتر یا استخراج برخی اطلاعات مفید می‌باشد. الگوریتم‌های سنتی پردازش تصویر در شرایطی‌که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می‌شوند توزیع متفاوتی از تصاویر آزمایشی (دامنه هدف) داشته، نمی‌توانند عملکرد خوبی داشته. درواقع، وجود اختلاف توزیع شرطی بین دامنه‌های منبع و هدف، بازدهی مدل را کاهش می‌دهد. تطبیق دامنه و یادگیری انتقالی راه‌حل‌های امیدبخشی هستند که هدف آن‌ها تعمیم‌دادن یک مدل یادگیری بین داده‌های آموزشی و تست با توزیع‌های متفاوت است. در این مقاله، مسئله پردازش تصویر بین‌دامنه‌ای بدون‌نظارت مورد توجه قرار گرفته است که هیچ برچسبی برای داده‌های تست در دسترس نمی‌باشد. درواقع، روش پیشنهادی دامنه‌های منبع و هدف را به یک زیرفضای کم‌بعد مشترک براساس FLDA به‌صورت بدون‌نظارت منتقل می‌کند. روش پیشنهادی ما، اختلاف احتمال توزیع شرطی در داده‌های منبع و هدف را ازطریق واگرایی برگمن حداقل می‌کند. یک ماتریس نگاشت به‌دست می‌آید که داده‌های منبع و هدف را به یک زیرفضای مشترک انتقال می‌دهد که در آن فضا ماتریس پراکندگی بین‌کلاسی حداکثر شده و ماتریس پراکندگی درون‌کلاسی و توزیع‌های بین‌دامنه‌ای حداقل می‌شود. آزمایشات متنوع برروی 58 عملیات طبقه‌بندی بین‌دامنه‌ای برروی شش پایگاه‌داده همگانی نشان می‌دهد که روش پیشنهادی ما بهتر از روش‌های پردازش تصویر جدید ارائه‌شده در حوزه بین‌دامنه‌ای عمل می‌کند.