11、基于概率半监督随机子空间稀疏表示的夜视图像分类

基于概率半监督随机子空间稀疏表示的夜视图像分类

1. 引言

在夜视图像分类领域，概率半监督随机子空间稀疏表示（P - RSSR）方法展现出了显著的优势。它结合了半监督学习和随机子空间技术，能够更有效地处理有标签和无标签数据，提高图像分类的准确性。

2. 相关理论基础

2.1 局部熵

在信息理论中，香农熵用于衡量系统中的信息。若系统中某一状态的概率为 $p_i$（$i = 0, 1, \cdots, n$），$n$ 为系统的可能状态数，则系统的熵为：
$H = - \sum_{i = 0}^{n} p_i \log_2 p_i$
当所有 $p_i = \frac{1}{n}$ 时，$H$ 达到最大值，系统包含的信息最多。一般来说，系统的熵越大，其包含的信息就越多。

基于香农熵的基本假设，Shiozaki 提出了局部熵来衡量图像。假设图像中像素 $(i, j)$ 的灰度值为 $I_0$，其邻域像素的灰度值为 $I_1, I_2, \cdots, I_n$，则像素 $(i, j)$ 的局部熵计算如下：
$p_i = \frac{I_i}{\sum_{j = 0}^{n} I_j}$
$H = \sum_{i = 0}^{n} p_i \log_2 p_i$
局部熵基于灰度值分布。若所有像素具有相同的尺度值，局部熵最小；若灰度值发生变化，局部熵增大。当图像的灰度值范围为 0 - 255，邻域大小为 3 × 3 时，最大局部熵为 - 0.2877，最小局部熵为 - 3.1699。局部熵越高，存在的信息就越多。然后，根据最大和最小值将局部熵归一化到 0 - 1。

2.2 P