融入直方图相交核的局部稀疏编码图像分类算法研究

发布时间：2017-04-26 20:01

  本文关键词：融入直方图相交核的局部稀疏编码图像分类算法研究，由笔耕文化传播整理发布。

【摘要】：机器学习已经广泛应用到实际生活的各个领域。随着互联网的高速发展，每天有数以亿级的图像被上传，下载，给计算机视觉中的图像自动分类带来巨大的挑战。当今搜索引擎耗费大量的人力物力用于标注图像库中的图像的类别，在用户搜索某类图像时，将用户输入的关键字和图像的标注进行匹配，获得候选的图像集返回给用户。如果能够提高图像自动分类的准确率，由机器自动将图像库中的图像分类，当用户查询时，直接返回给用户该类别的图像，将节约大量的人力，同时大幅度提高工作效率。可以通过两种方式提高图像分类的准确率： （1）学习优秀的分类器，例如非线性SVM，复杂神经网络等等 （2）学习优秀的特征，使用简单的分类器 本文的工作主要通过学习鲁棒的图像特征表示来提高图像的分类准确率。稀疏编码和局部稀疏编码方法是非常有效的图像特征提取方法，不过它们是在直方图空间进行编码。直方图相交核（Histogram Intersection Kernel）是一种应用于图像处理的特定的核函数。该核函数将直方图特征映射到高维空间，实现特征的非线性映射。本文结合了局部稀疏编码和直方图相交核的优点，在直方图相交核的映射空间中，完成每个直方图的局部稀疏编码，然后生成整幅图像的编码，，最后验证该方法的有效性。为了完成这个目的，我们需要： （1）提取图像的直方图特征，例如SIFT，HOG特征 （2）使用EM算法学习直方图相交核对应的映射空间下的字典 （3）优化带有线性约束的最小二乘问题，求解每个直方图在映射空间下的 局部编码 （4）使用池化和空间金字塔匹配方法形成图像的编码 （5）使用线性分类器对形成的特征分类，比较和分析不同方法的实验结果 实验表明，本文提出的方法能够显著提高图像分类的准确率。和传统局部稀疏编码（在直方图空间下）相比，本文的方法形成的图像特征更具有线性判别性，获得的分类准确率更高。
【关键词】：计算机视觉 图像分类 稀疏编码 局部稀疏编码 直方图相交核 EM算法
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-17
• 1.1 课题来源9
• 1.2 研究背景及意义9-12
• 1.2.1 研究背景9-11
• 1.2.2 研究意义11-12
• 1.3 国内外研究现状12-14
• 1.3.1 国外研究现状12-14
• 1.3.2 国内研究现状14
• 1.4 本文的研究内容14-15
• 1.5 本文的组织结构15-17
• 第二章 稀疏编码和直方图相交核17-31
• 2.1 稀疏编码17-22
• 2.1.1 稀疏编码的定义17-18
• 2.1.2 稀疏编码的学习方法18-21
• 2.1.3 有监督稀疏编码的学习方法21
• 2.1.4 稀疏编码的不足与缺点21-22
• 2.2 局部稀疏编码22-25
• 2.2.1 拉普拉斯稀疏编码22-24
• 2.2.2 局部约束线性编码 (LLC)24-25
• 2.3 直方图及直方图相交核25-30
• 2.3.1 图像直方图算子描述符（SIFT）25-28
• 2.3.2 直方图相交核28-29
• 2.3.3 高效计算核函数方法29-30
• 2.4 本章小结30-31
• 第三章 融入直方图相交核的局部编码方法31-41
• 3.1 映射空间中的字典学习31-33
• 3.2 映射空间下的局部编码33-37
• 3.2.1 精确编码算法33-35
• 3.2.2 近似编码算法35-37
• 3.3 构建图像级别稀疏编码37-40
• 3.4 本章小结40-41
• 第四章 实验与分析41-48
• 4.1 数据预处理及参数设置41-42
• 4.2 实验结果42-45
• 4.2.1 Caltech10142-43
• 4.2.2 Caltech25643-44
• 4.2.3 15Scenes44
• 4.2.4 特征分析44-45
• 4.2.5 参数选择45
• 4.3 重新审视 pooling45-47
• 4.4 本章小结47-48
• 结论48-50
• 参考文献50-55
• 攻读学位期间发表的学术论文55-57
• 致谢57-58

【参考文献】

中国期刊全文数据库 前1条

1 杨谦,齐翔林,汪云九;视皮层V1区简单细胞的稀疏编码策略[J];计算物理;2001年02期

  本文关键词：融入直方图相交核的局部稀疏编码图像分类算法研究，由笔耕文化传播整理发布。

本文编号：329106