پردازش تصویر بین دامنه ای با استفاده از تحلیل تفکیک خطی فیشر و واگرایی برگمن

پردازش تصویر روشی برای اعمال برخی عملیات ها برروی تصویر، برای به دست آوردن تصاویری با کیفیت بالاتر یا استخراج برخی اطلاعات مفید می باشد. الگوریتم های سنتی پردازش تصویر در شرایطی که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می شوند توزیع متفاوتی از تصاویر آزمایشی (دامنه هدف) داشته، نمی توانند عملکرد خوبی داشته. درواقع، وجود اختلاف توزیع شرطی بین دامنه های منبع و هدف، بازدهی مدل را کاهش می دهد. تطبیق دامنه و یادگیری انتقالی راه حل های امیدبخشی هستند که هدف آن ها تعمیم دادن یک مدل یادگیری بین داده های آموزشی و تست با توزیع های متفاوت است. در این مقاله، مسئله پردازش تصویر بین دامنه ای بدون نظارت مورد توجه قرار گرفته است که هیچ برچسبی برای داده های تست در دسترس نمی باشد. درواقع، روش پیشنهادی دامنه های منبع و هدف را به یک زیرفضای کم بعد مشترک براساس FLDA به صورت بدون نظارت منتقل می کند. روش پیشنهادی ما، اختلاف احتمال توزیع شرطی در داده های منبع و هدف را ازطریق واگرایی برگمن حداقل می کند. یک ماتریس نگاشت به دست می آید که داده های منبع و هدف را به یک زیرفضای مشترک انتقال می دهد که در آن فضا ماتریس پراکندگی بین کلاسی حداکثر شده و ماتریس پراکندگی درون کلاسی و توزیع های بین دامنه ای حداقل می شود. آزمایشات متنوع برروی 58 عملیات طبقه بندی بین دامنه ای برروی شش پایگاه داده همگانی نشان می دهد که روش پیشنهادی ما بهتر از روش های پردازش تصویر جدید ارایه شده در حوزه بین دامنه ای عمل می کند.