يادگيري منيفلد و كاربردهايي براي پردازش تصاوير و اشكال سه بُعدي به روش نگاشت انتشار

Manifold learning and applications to 3D shapes and images processing with diffusion map method

ثبت تصوير چند جزئي كار دشواري است. يك رويكرد رايج، استفاده از معيارهاي پيچيدگي شباهت، مانند اطلاعات متقابل است. با اين حال، اين اقدامات هزينه محاسباتي بالايي را در پي دارد و علاوه بر اين، هندسه و پويايي مرتبط با تصاوير را غيرقابل ثبت مي كند. يك رويكرد ديگر تبديل تصاوير به يك فضاي مشترك است، كه در آن قوانين را مي توان به طور مستقيم مقايسه كرد. اهدافي كه ما در اين مقاله به دنبال آن هستيم عبارتند از: كاهش تعداد محاسبات مورد نياز براي پردازش تصاوير و اَشكال سه بُعدي، افزايش سرعت محاسبات و بهينه سازي پردازش تصاوير سه بُعدي. در اين رويكرد، پيشنهاد مي كنيم تصاوير چندبُعدي را با استفاده از نگاشت انتشار، براي ثبت خواص هندسي و طيفي داده ها بر اساس الگوريتم manifold ثبت كنيم. از طريق نگاشت انتشار، داده هاي manifold، به مجموعه اي جديد از مختصات كانوني تبديل مي شوند، كه هندسه آن را به صورت يكنواخت، در ميان روش ها بازتاب مي دهد، به طوري كه تناظرهاي معني داري بين آنها برقرار شود. پس از آن، تصاويري كه در اين بازنمايي جديد مي توانند با استفاده از يك فاصله اقليدسي ساده، به عنوان يك اندازه ي تشابه ثبت شوند، را مورد بررسي قرار خواهيم داد. علاوه بر اين ما توانايي الگوريتم را با سازماندهي تصاوير نشان داديم.