基于图正则化局部特征编码算法的图像分类方法

发布时间：2018-04-23 22:09

  本文选题：词袋模型 + 编码算法　； 参考：《电子学报》2017年08期

【摘要】：为了解决经典局部特征编码方法会产生相似局部特征之间编码系数不一致的问题,本文提出一种图正则化局部特征编码算法.该算法在对初始编码矢量所定义的能量化函数中引入正则化项,保证空间上相邻外观上相似的局部特征之间的编码矢量尽可能一致.MSRcv2、Caltech101、Scene 15以及Indoor 67四个公开数据集上的实验结果表明本文方法能够提高硬分配、软分配、稀疏编码、局部约束线性编码以及局部软分配五种经典编码方法的性能,并且基于本文编码算法的图像分类方法在上述四个公开数据集上的平均分类正确率分别达到了91.13%、76.02%、83.76%、44.78%.
[Abstract]:In order to solve the problem that the coding coefficients between similar local features are inconsistent in classical local feature coding, a graph regularization local feature coding algorithm is proposed in this paper. The regularization term is introduced into the energy function defined by the initial encoding vector. The experimental results on four open data sets, I. e. MSRcv2Caltech 101 scene 15 and Indoor 67, show that the proposed method can improve hard allocation, soft allocation and sparse coding. The performance of the five classical coding methods of local constrained linear coding and local soft assignment is presented. The average classification accuracy of the image classification method based on the proposed coding algorithm on the above four open data sets is 91.13 and 76.02 respectively.
【作者单位】： 南通大学电气工程学院;南京理工大学计算机科学与工程学院;南通大学计算机科学与技术学院;
【基金】：江苏省普通高校自然科学研究面上项目(No.16KJB520037) 国家自然科学基金(No.61602150) 江苏省自然科学基金(No.BK20151273) 南通市科技项目前沿与关键技术(No.MS22015100) 江苏省博士后科研资助计划项目(No.1601013B)
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 朱峗,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期

2 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

3 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

4 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

5 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

6 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

7 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

8 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

9 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

10 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

相关会议论文 前9条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

4 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

5 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

6 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

7 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

9 刘杰;杜军平;;基于Relief-F特征加权支持向量机的语义图像分类[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

2 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

3 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

4 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

5 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

6 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

7 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

8 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

9 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

10 韩东峰;图像分类识别中特征及模型的若干问题研究[D];吉林大学;2008年

相关硕士学位论文 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

8 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

9 董振宇;基于词袋模型的图像分类研究[D];宁波大学;2015年

10 祝军;基于深度学习模型的图像分类研究[D];宁波大学;2015年

，

本文编号：1793844