当前位置:主页 > 科技论文 > 软件论文 >

基于结构化字典学习的图像分类方法研究

发布时间:2018-05-12 00:16

  本文选题:字典学习 + 图像分类 ; 参考:《天津大学》2016年硕士论文


【摘要】:图像分类是计算机视觉、多媒体、模式识别与机器学习领域非常活跃的研究方向。图像分类在很多领域有广泛应用,包括安防领域的人脸识别、智能视频分析、行人跟踪等,互联网领域的基于内容的图像检索、相册自动归类等。可以说,图像分类已经应用于人们日常生活的方方面面,计算机自动分类技术也在一定程度上减轻了人的负担,改变了人类的生活方式。近年来,字典学习被广泛应用于图像分类以及视频处理领域。在该模型中,图像被表达成一组字典的少量原子的线性组合。研究表明,在大多数图像处理应用中,例如人脸识别、对象识别、图像分类等,相较于非监督字典型学习方法,基于类别层次关系的监督型字典学习方法取得更好的实验性能。本文主要针对结构化字典学习模型及在图像分类方法中的应用进行了研究,主要研究内容如下:1.对非监督型字典学习和监督型字典学习进行概述,并分析现有字典学习理论在图像分类应用中存在的问题。2.引入一种基于图导向的监督型字典学习方法,该算法将类别层次结构的节点与节点的关系和边与边的关系嵌入到字典学习过程中,并将该算法应用到图像分类任务中,实验结果验证了该算法的有效性。3.基于图导向的字典学习方法存在的一些问题,引入一种基于边与层次关系的结构化字典学习方法,该算法通过建模将层与层之间的关系嵌入到学习过程中,实验结果表明该算法具有更好更稳定的性能。
[Abstract]:Image classification is an active research field in computer vision, multimedia, pattern recognition and machine learning. Image classification is widely used in many fields, including face recognition in security field, intelligent video analysis, pedestrian tracking, content-based image retrieval in the field of Internet, automatic classification of photo albums, and so on. It can be said that image classification has been applied to every aspect of people's daily life, and the computer automatic classification technology has lightened the burden of human beings to some extent and changed the way of life of human beings. In recent years, dictionary learning has been widely used in image classification and video processing. In this model, the image is expressed as a linear combination of a small number of atoms in a group of dictionaries. The research shows that in most image processing applications, such as face recognition, object recognition and image classification, the supervised dictionary learning method based on class hierarchical relationship has better experimental performance than the unsupervised word learning method. This paper mainly focuses on the structural dictionary learning model and its application in image classification. The main research contents are as follows: 1. This paper summarizes the unsupervised dictionary learning and supervised dictionary learning, and analyzes the problems existing in the application of the existing dictionary learning theory in image classification. This paper introduces a supervised dictionary learning method based on graph. The algorithm embed the relationship between node and the relationship between edge and edge of class hierarchy into the dictionary learning process, and applies the algorithm to the task of image classification. Experimental results show that the algorithm is effective. Based on some problems of graph-oriented dictionary learning method, a structured dictionary learning method based on edge-level relationship is introduced. The algorithm embeds the relationship between layers into the learning process by modeling. Experimental results show that the algorithm has better and more stable performance.
【学位授予单位】:天津大学
【学位级别】:硕士
【学位授予年份】:2016
【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10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 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 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

5 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

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国(天津)2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 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

8 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

9 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

10 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

相关博士学位论文 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 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

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 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

5 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

6 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

7 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

8 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

9 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

10 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

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 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 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

10 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



本文编号:1876271

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/1876271.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户51b4f***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com