基于稀疏表示的图像分类技术研究

发布时间：2017-10-18 15:42

  本文关键词：基于稀疏表示的图像分类技术研究

  更多相关文章： 图像分类 稀疏表示 感兴趣区域 Gabor变换

【摘要】：随着多媒体技术的发展及人们日常生活的需要,涌现出了大量的图像,同时伴随着图像处理技术及计算机网络的普及,图像的传播速度也在快速提高。面对庞大的图像信息,如何对其进行有效管理是目前面临的重要问题,图像分类技术是解决该问题的主要途径。本文主要分析了基于稀疏表示的图像分类的关键技术,详细工作体现在以下几个方面:1.在分析图像分类研究现状及存在问题的基础上,对稀疏表示理论进行了研究。在分析图像稀疏表示模型的基础上,针对稀疏表示模型的两个核心问题稀疏分解与字典构造进行了详细讨论,综述了目前典型的稀疏分解方法与字典构造方法。在此基础上,总结了稀疏表示在图像处理领域的应用。2.在传统的基于图像全局特征的图像分类框架的基础上,介绍了一种新的图像分类方法--基于感兴趣区域与稀疏表示的图像分类,首先,提取图像的感兴趣区域,并以此作为图像特征,然后,利用一个经典的稀疏表示分类方法--spg_lasso算法实现图像分类,在Corel图像库上的实验结果证明了新方法的优越性。3.提出了基于Gabor变换与稀疏表示的图像分类方法,将训练图像集进行Gabor变换,归一化处理后作为稀疏表示的初始化字典,然后将待测图像描述为字典的线性组合,最后利用待测图像的稀疏系数及重构误差实现图像分类。在Corel图像库和两个常用的纹理库上的实验结果表明,所提出方法优于传统的分类方法。
【关键词】：图像分类 稀疏表示 感兴趣区域 Gabor变换
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-11
• 1 绪论11-15
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-13
• 1.3 本文研究内容及组织结构13-15
• 1.3.1 论文主要研究内容13-14
• 1.3.2 论文的组织结构14-15
• 2 图像分类关键技术15-27
• 2.1 概述15
• 2.2 图像的内容描述15-20
• 2.2.1 颜色特征16-17
• 2.2.2 纹理特征17
• 2.2.3 形状特征17-19
• 2.2.4 感兴趣区域特征19-20
• 2.3 分类算法20-24
• 2.4 图像分类性能评价标准24-25
• 2.5 本章小结25-27
• 3 稀疏表示及其在图像处理中的应用27-37
• 3.1 稀疏表示模型的建立27-28
• 3.2 稀疏表示求解方法28-31
• 3.2.1 稀疏分解28-30
• 3.2.2 字典构造30-31
• 3.3 基于稀疏表示的图像分类31-33
• 3.3.1 分类过程31-32
• 3.3.2 分类原理32-33
• 3.4 稀疏表示理论应用33-35
• 3.4.1 图像去噪33
• 3.4.2 人脸识别33-34
• 3.4.3 目标跟踪34
• 3.4.4 图像修复34
• 3.4.5 压缩感知34-35
• 3.5 本章小结35-37
• 4 基于感兴趣区域与稀疏表示的图像分类37-53
• 4.1 概述37-38
• 4.2 感兴趣区域提取38-42
• 4.2.1 IT方法38-39
• 4.2.2 GB方法39
• 4.2.3 FT方法39-40
• 4.2.4 SR方法40-41
• 4.2.5 HC方法41-42
• 4.2.6 RC方法42
• 4.3 图像分类42-45
• 4.3.1 spg_lasso分类方法42-43
• 4.3.2 SparseLab_OMP分类方法43-45
• 4.3.3 分类过程45
• 4.4 实验结果与分析45-52
• 4.4.1 实验环境与图像库45-47
• 4.4.2 感兴趣区域提取47-48
• 4.4.3 图像分类48-52
• 4.5 本章小结52-53
• 5 基于Gabor变换与稀疏表示的图像分类53-61
• 5.1 Gabor变换53-54
• 5.2 特征提取与分类54-56
• 5.2.1 特征描述54-55
• 5.2.2 参数选择55-56
• 5.2.3 分类过程56
• 5.3 实验结果分析56-60
• 5.4 本章小结60-61
• 6 总结与展望61-63
• 6.1 总结61
• 6.2 展望61-63
• 参考文献63-71
• 作者简历71-73
• 学位论文数据集73

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：1055801