本文關鍵詞：融入直方圖相交核的局部稀疏編碼圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機器學習已經廣泛應用到實際生活的各個領域。隨著互聯(lián)網的高速發(fā)展，每天有數以億級的圖像被上傳，下載，給計算機視覺中的圖像自動分類帶來巨大的挑戰(zhàn)。當今搜索引擎耗費大量的人力物力用于標注圖像庫中的圖像的類別，在用戶搜索某類圖像時，將用戶輸入的關鍵字和圖像的標注進行匹配，獲得候選的圖像集返回給用戶。如果能夠提高圖像自動分類的準確率，由機器自動將圖像庫中的圖像分類，當用戶查詢時，直接返回給用戶該類別的圖像，將節(jié)約大量的人力，同時大幅度提高工作效率�？梢酝ㄟ^兩種方式提高圖像分類的準確率： （1）學習優(yōu)秀的分類器，例如非線性SVM，復雜神經網絡等等 （2）學習優(yōu)秀的特征，使用簡單的分類器 本文的工作主要通過學習魯棒的圖像特征表示來提高圖像的分類準確率。稀疏編碼和局部稀疏編碼方法是非常有效的圖像特征提取方法，不過它們是在直方圖空間進行編碼。直方圖相交核（Histogram Intersection Kernel）是一種應用于圖像處理的特定的核函數。該核函數將直方圖特征映射到高維空間，實現特征的非線性映射。本文結合了局部稀疏編碼和直方圖相交核的優(yōu)點，在直方圖相交核的映射空間中，完成每個直方圖的局部稀疏編碼，然后生成整幅圖像的編碼，，最后驗證該方法的有效性。為了完成這個目的，我們需要： （1）提取圖像的直方圖特征，例如SIFT，HOG特征 （2）使用EM算法學習直方圖相交核對應的映射空間下的字典 （3）優(yōu)化帶有線性約束的最小二乘問題，求解每個直方圖在映射空間下的 局部編碼 （4）使用池化和空間金字塔匹配方法形成圖像的編碼 （5）使用線性分類器對形成的特征分類，比較和分析不同方法的實驗結果 實驗表明，本文提出的方法能夠顯著提高圖像分類的準確率。和傳統(tǒng)局部稀疏編碼（在直方圖空間下）相比，本文的方法形成的圖像特征更具有線性判別性，獲得的分類準確率更高。
【關鍵詞】：計算機視覺 圖像分類 稀疏編碼 局部稀疏編碼 直方圖相交核 EM算法
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 課題來源9
• 1.2 研究背景及意義9-12
• 1.2.1 研究背景9-11
• 1.2.2 研究意義11-12
• 1.3 國內外研究現狀12-14
• 1.3.1 國外研究現狀12-14
• 1.3.2 國內研究現狀14
• 1.4 本文的研究內容14-15
• 1.5 本文的組織結構15-17
• 第二章 稀疏編碼和直方圖相交核17-31
• 2.1 稀疏編碼17-22
• 2.1.1 稀疏編碼的定義17-18
• 2.1.2 稀疏編碼的學習方法18-21
• 2.1.3 有監(jiān)督稀疏編碼的學習方法21
• 2.1.4 稀疏編碼的不足與缺點21-22
• 2.2 局部稀疏編碼22-25
• 2.2.1 拉普拉斯稀疏編碼22-24
• 2.2.2 局部約束線性編碼 (LLC)24-25
• 2.3 直方圖及直方圖相交核25-30
• 2.3.1 圖像直方圖算子描述符（SIFT）25-28
• 2.3.2 直方圖相交核28-29
• 2.3.3 高效計算核函數方法29-30
• 2.4 本章小結30-31
• 第三章 融入直方圖相交核的局部編碼方法31-41
• 3.1 映射空間中的字典學習31-33
• 3.2 映射空間下的局部編碼33-37
• 3.2.1 精確編碼算法33-35
• 3.2.2 近似編碼算法35-37
• 3.3 構建圖像級別稀疏編碼37-40
• 3.4 本章小結40-41
• 第四章 實驗與分析41-48
• 4.1 數據預處理及參數設置41-42
• 4.2 實驗結果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 參數選擇45
• 4.3 重新審視 pooling45-47
• 4.4 本章小結47-48
• 結論48-50
• 參考文獻50-55
• 攻讀學位期間發(fā)表的學術論文55-57
• 致謝57-58

【參考文獻】

中國期刊全文數據庫 前1條

1 楊謙,齊翔林,汪云九;視皮層V1區(qū)簡單細胞的稀疏編碼策略[J];計算物理;2001年02期

  本文關鍵詞：融入直方圖相交核的局部稀疏編碼圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：329106