融合全局与局部信息的图像场景分类算法研究

发布时间：2022-09-24 22:23

　　场景分类在图像理解和计算机视觉中是一个开放的挑战性问题。有效的图像表示在场景分类任务中日益受到关注。该文旨在于通过构建特征提取算法,形成更加丰富有效地图像描述,从而实现场景图像的高精度分类。首先,构建了基于多层次特征表示的图像场景分类算法。传统场景分类采用单一低层特征构建图像描述,无法有效表征内容多变的场景图像。因此提取采样图像块的密集尺度不变特征变换（Scale Invariant Feature Transform,SIFT）特征和卷积层的卷积神经网络（Convolutional Neural Networks,CNN）特征,使用聚集局部描述符向量（Vector of Locally Aggregated Descriptors,VLAD）编码方法分别编码图像块的局部特征,构建包含局部语义信息的低层图像描述和中层图像描述。与此同时,将图像的低层描述与中层描述融合到图像的全连接层的高层语义中,从而获得整合了局部空间信息和全局语义信息的精确图像表示。其次,设计了基于局部特征编码与多通道特征融合的图像场景分类算法。常见算法中均使用全连接层特征来表征图像,缺乏对图像局部信息的刻画,降低了分... 

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及意义
    1.2 国内外研究现状
    1.3 本文研究工作
    1.4 本文组织结构
第2章 图像场景分类基础
    2.1 场景分类及其难点问题
    2.2 场景分类特征提取
        2.2.1 SIFT特征
        2.2.2 CNN特征
    2.3 K-MEANS聚类
    2.4 图像描述
        2.4.1 BOW模型
        2.4.2 特征编码映射
    2.5 分类器训练
    2.6 本章小结
第3章 基于多层次特征表示的图像场景分类
    3.1 引言
    3.2 系统组成
    3.3 多层次特征表示
        3.3.1 图像块特征提取
        3.3.2 VLAD编码
        3.3.3 多层次特征融合
    3.4 实验数据与评价标准
        3.4.1 实验数据
        3.4.2 评价标准
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 码本大小的选择
        3.5.3 采样图像块数目的选择
        3.5.4 多层次特征表示
    3.6 本章小结
第4章 基于局部特征编码与多通道特征融合的图像场景分类
    4.1 引言
    4.2 系统组成
    4.3 局部特征编码与多通道特征融合
        4.3.1 局部特征编码
        4.3.2 多通道特征融合
    4.4 实验数据与评价标准
    4.5 实验结果与分析
        4.5.1 实验设置
        4.5.2 多通道分析
        4.5.3 编码特征与融合特征的通道参数选择
        4.5.4 码本大小的选择
        4.5.5 滑动窗尺寸选择
        4.5.6 分类判别
    4.6 本章小结
第5章 基于判别性聚类和加权描述的图像场景分类
    5.1 引言
    5.2 系统组成
    5.3 判别性聚类和加权描述
        5.3.1 判别性聚类
        5.3.2 特征映射
        5.3.3 特征融合
    5.4 实验数据与评价标准
    5.5 实验结果与分析
        5.5.1 实验设置
        5.5.2 判别性聚类次数的选择
        5.5.3 聚类图像块数目的选择
        5.5.4 特征加权融合
        5.5.5 判别性聚类的分类结果
    5.6 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢


【参考文献】：
期刊论文
[1]图像场景语义分类研究进展综述[J]. 顾广华,韩晰瑛,陈春霞,赵耀.  系统工程与电子技术. 2016(04)
[2]求解大规模谱聚类的近似加权核k-means算法[J]. 贾洪杰,丁世飞,史忠植.  软件学报. 2015(11)
[3]场景图像分类技术综述[J]. 李学龙,史建华,董永生,陶大程.  中国科学:信息科学. 2015(07)
[4]基于SIFT算法的图像目标匹配与定位[J]. 傅卫平,秦川,刘佳,杨世强,王雯.  仪器仪表学报. 2011(01)

硕士论文
[1]基于HOG特征和模板匹配的行人检测与跟踪研究[D]. 周科嘉.吉林大学 2014



本文编号：3680973