基于knn的改进算法研究及其在图像去噪的应用

《基于knn的改进算法研究及其在图像去噪的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代巧１０６０３学号２０１３的６４ｗ级公开＿ＵＤＣＩ纖辞載《偉＞ＧＵＡＮＧＸＩＴＥＡＣＨＥＲＳＥＤＵＣＡＴＩＯＮＵＮＩＶＥＲＳＩＴＹ硕古学位论文基于ＫＮＮ的改进算法研究及其在图像去噪的应用ＲｅｓｅａｒｃｈｏｆＩｍｐｒｏｖｅｄＡｌｇｏｒｉ化ｍＢａｓｅｄｏｎＫＮＮａｎｄＩ化ＡｐｐｌｉｃａｔｉｏｎｉｎＩｍａｇｅＤｅｎｏｉｓｉｎｇ学科专业：软件工程专业方向：数据挖捆与国像处理二级学院；计算机与信息工程学院年级；２０１３级硏

2、究生姓名：王楠导师姓名及职称：钟智教授完成日期！２０１６年６月摘要数据预处理是数据挖掘中的一项重要任务。在这个数据爆炸式增长的时代，无论是什么领域，都需要在海量的数据中寻找有价值的信息，而预处理则成为其中一个必须环节。KNN算法是数据挖掘的经典算法之一，作为数据分析领域最重要的分支之一，自然的成为预处理大家庭中的重要一员，在分类、回归、缺失值填补以及机器学习等许多领域中应用广泛。作为一种惰性算法，该方法无需先验统计知识，无需额外的数据来训练描述规则，并且易于实现。不过，该算法也不可避免的存在许多问题，

3、比如如何确定合适的K值，对于有些特殊分布的数据处理效果不理想以及面对高维数据计算复杂度不可接受等等。为了解决这些弊端，研究者们提出了许多针对性的改进算法。本文从传统KNN方法中的近邻选择策略入手，阐述一种结合局部线性约束编码的改进KNN算法，该方法能够更有效地发掘和捕捉样本间的相似性，相比于使用传统方法，能够获得更加接近测试样本真实情况的近邻训练样本，从而在很大程度上,改善了经典算法依赖距离度量来捕获近邻样本所导致的对数据分布敏感的问题。另一方面，本文的研究将KNN算法这种捕捉局部相似性的思想和原理引入到热门的图像

4、处理领域，同时，结合模糊集原理，改进传统的均值滤波方法，得到一种更适合实际应用需要的滤波方法。本文的主要工作包括：(1)针对传统KNN算法的近邻选择策略提出改进算法，首先，从理论上，结合稀疏编码和局部约束线性编码理论，改良经典的KNN算法，提出了KNNLC算法，然后，以分类实验为例，通过在不同数据集上的实验结果对比，证明了KNNLC算法在分类性能上的平均水平要优于经典的KNN分类算法。(2)针对经典均值滤波过程中产生模糊的问题，首先，在理论上，借鉴KNN算法用近邻估计测试样本的思路以及KNNLC的局部捕捉思想和原理

5、，同时，结合模糊集理论，提出了针对均值滤波算法的改进方法。该方法以像素点为测试样本，以待测像素点的近邻为训练样本，通过对伴有噪声的图像的像素点进行逐一滤波处理，达到去噪目的。通过与经典均值滤波以及被广泛认可的中值滤波算法做大量的效果对比实验，证明了使用改进的滤波算法对图像进行预处理，不仅从主观视觉效果来看符合预期，而且从客观评价标准的数据来看，优势明显。本文研究工作的意义：通过理论和实验的分析，解释说明了本文提出的基于K最近邻思想的改进方法，在数据预处理尤其是图像数据预处理领域的应用前景。关键字：KNN；分类；滤波

6、；局部约束线性编码；隶属度函数IAbstractPreprocessingofdataisanimportanttaskindatamining.Intheeraofdataexplosion,itisnecessarytofindvaluableinformationinthemassivedatanomatterwhatfieldwearein,andthepretreatmenthasbecomeoneofthenecessarylinks.Asoneofthemostimportantbranchofdat

7、aanalysis,classificationalgorithmlogicallybecomesanimportantmemberofthebigfamilyofpretreatment.KNNalgorithmisaninertclassificationalgorithmwhichcoulddescriberuleswithoutaprioristatisticalknowledgeandadditionaltrainingdata.Besides,itisveryeasytobeimplemented.KN

8、Nalgorithmisoneoftheclassicalalgorithmsofdatamining.Itiswidelyappliedinmanyfields,suchastheclassification,regression,missingvaluefillandmachinelearning.However,itisinevitablethatth