积分商城

最新搜索： PL2303 altium Designer 20 电路设计与仿真从入门到精通 auto cad 常用LOGO标识 microBUCK TMC5160
您现在的位置是：首页 > 技术资料 > 局部位置特征与全局轮廓特征相结合的图像分类方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

局部位置特征与全局轮廓特征相结合的图像分类方法

更新时间：2019-12-24 03:30:28 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：局部位置特征 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

在空间金字塔词袋模型的基础上,针对其空间信息利用不足的问题,本文先计算图像中每一个字典向量的相对位置分布来提取出局部位置特征.然后,用非下采样轮廓波变换和线性判别分析来生成图像的全局轮廓特征.最后,通过局部位置特征与全局轮廓特征相结合的方式提高空间信息利用率,从而提高场景和物体图像分类正确率.为了检验方法的可行性,本文分别在数据库Caltech 101、MSRC和15 Scene上进行实验.实验结果证明,本文提出的方法进一步利用了空间信息,从而提高了分类正确率.


部分文件列表

文件名 大小
局部位置特征与全局轮廓特征相结合的图像分类方法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
7
Vol． 46 No． 7  
Jul． 2018  
第
期
电
子
学
报
2018  
7
ACTA ELECTRONICA SINICA  
年
月
局部位置特征与全局轮廓特征  
相结合的图像分类方法  
1
2
1
2
， ， ，  
李雅倩 吴 超 李海滨 刘 彬  
( 1.  
，
燕山大学工业计算机控制工程河北省重点实验室 河北秦皇岛  
066004;  
2. ， 066004)  
燕山大学信息科学与工程学院 河北秦皇岛  
:
， ，  
在空间金字塔词袋模型的基础上 针对其空间信息利用不足的问题 本文先计算图像中每一个字典向  
摘
要
． ，  
量的相对位置分布来提取出局部位置特征 然后 用非下采样轮廓波变换和线性判别分析来生成图像的全局轮廓特  
．
，
，
征 最后 通过局部位置特征与全局轮廓特征相结合的方式提高空间信息利用率 从而提高场景和物体图像分类正确  
Caltech 101、MSRC 15 Scene ． ，  
上进行实验 实验结果证明 本文提出  
．
，
率 为了检验方法的可行性 本文分别在数据库  
和
，
的方法进一步利用了空间信息 从而提高了分类正确率  
．
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
图像分类 词袋模型 局部位置特征 非下采样轮廓波变换 全局轮廓特征  
TP391. 41 0372-2112 ( 2018) 07-1726-06  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 07． 026  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Image Classification Method Combining Local Position Feature with  
Global Contour Feature  
1
2
1
2
LI Ya-qian ，WU Chao ，LI Hai-bin ，LIU Bin  
( 1. Key Lab of Industrial Computer Control Engineering of Hebei Province，Yanshan University，Qinhuangdao，Hebei 066004，China;  
2. Institute of Information Science and Engineering，Yanshan University，Qinhuangdao，Hebei 066004，China)  
Abstract: Based on Spatial Pyramid Matching method，aiming at the insufficient utilization of spatial information，  
firstly，local position feature is extracted by computing relative position distribution of each dictionary vector in image． Then，  
global contour feature is generated through Nonsubsampled Contourlet Transform and Linear Discriminant Analysis． Finally，  
Spatial information is enhanced by combining local position feature with global contour feature，which consequently improves  
the accuracy of scene and object classification． Extensive experiments are performed on Caltech 101，MSRC and 15 Scene  
datasets respectively． The experimental results show that the proposed method further utilizes the spatial information，and thus  
improves the accuracy of image classification．  
Key words: image classification; bag of words; local position feature; nonsubsampled contourlet transform; global  
contour feature  
［2］  
提出了空间金字塔词袋模型  
( Spatial Pyramid Matc-  
1
引言  
hing，SPM) ，  
通过对图像进行不同等级的网格划分来利  
［3］  
，
随着图像分类的飞速发展 该领域的学者们研发  
． Vector of Locally Aggregated Descriptors  
用空间信息  
． ［1］  
与改进了许多非常有效的分类方法 文献 首次引入  
( VLAD)  
分别累加一幅图像中各个字典向量与其对应  
( Bag of Words，BoW) ，  
利用频率统计方法  
术语词袋模型  
SIFT  
，
特征向量的差值 从而求出这一幅图像中各个  
的
． BoW  
，
来解决图像分类问题  
在统计全局直方图时 没有  
考虑特征的分布情况 造成了特征空间分布信息的丢  
BoW  
． VLAD  
字典向量周围特征向量的分布特征  
SIFT  
采用的是硬  
，
，
分配 在分配  
，
特征时有很大几率造成误差 同时这  
．
，
失 因此 很多基于  
息的利用上进行改进 以得到更好的图像分类性能  
BoW  
的方法都是在特征空间分布信  
，
些分布特征按照字典顺序串联起来 会产生高维  
VLAD  
，
．
， ． ［4］  
特征 增加分类的计算难度 文献 提出了一种池化  
，
没有考虑空间信息的问题 文献  
为了解决  
BossaNova，  
该方法通过设置区间阈值来确定  
SIFT  
方法  
: 2017-01-06;  
: 2017-12-01; :  
责任编辑 李勇锋  
收稿日期  
修回日期  
:
基金项目 河北省自然科学基金  
( No． F2015203212)  
1727  
7
:
李雅倩 局部位置特征与全局轮廓特征相结合的图像分类方法  
第
期
，
特征归属于哪个字典向量 根据区间阈值内的  
SIFT  
，
还可以解决多个局部特征的融合问题 但该方法依然  
和
，
相应的字典向量的欧氏距离对这些向量分级 然后统  
．
没有有效利用图像中蕴含的空间信息 通过不断地改  
SIFT  
，
的个数直方图 最后将这些  
， ，  
进与优化 这些方法的分类性能也在不断提高 但是空  
计每个字典周围各级  
． BossaNova  
．
直方图进行串联  
通过距离分级来加入空间  
间信息利用不足的情况依然没有得到有效的改善  
， ．  
信息 但是没有考虑图像中的实际空间信息 文献  
［5］  
SPM ，  
、
．
结构合理 具有一定的分类能力 但是 在池  
，SPM  
忽略了图像块内  
，
考虑了特征向量之间相对距离和角度的共同影响 设  
化各个图像块的特征直方图时  
Soft Pairwise Spatial Angle-Distance Histograms  
．
，
计 出  
的特征向量之间的空间信息 串联特征直方图时 直方  
图之间固定的排列顺序也导致块间空间信息的利用过  
SPM  
( SPS )  
ad  
，
来提取相似特征的分布信息 虽然有效利用了  
．
局部空间信息但并未考虑图像的整体特征信息 文献  
．
，
于单一 因此 本文针对  
空间信息利用不足的问  
［6］  
先用  
Shi-Tomasi corner  
Itti saliency map  
，
题 分别从图像的局部与全局两个方面提取空间信息  
，
和
提取出物  
对这部分进  
行处理 由于忽略了背景信息 该方法无法有效处理多  
，
SPM  
．
编码成局部位置特征与全局轮廓特征 然后 在  
， SPM  
体所在的区域部分 然后用优化过的  
特
．
，
， ，  
征的基础上 串联入局部位置特征与全局轮廓特征 以  
． ［7］  
物体和场景图像分类问题 文献 对目前改进的词袋  
，
此提高对空间信息的描述能力 从而提高分类正确率  
．
，
模型方法进行了总结与分类 并提出了  
Higher-order Oc-  
2
本文方法  
currence Pooling  
．
方法 该方法除了通过聚合每幅图像中  
1
本文方法整体流程如图 所示  
．
，
字典特征的共现关系系数来使得特征更具有辨识度  
…
2. 1  
α
α
1，m  
局部位置特征  
1，1  
÷
÷
VLAD  
［8］ ，  
和文献 的启发 本文方法通过计算  
受到  
T' =  
( 1)  
Dense-SIFT  
图像中每一个字典向量周围  
特征坐标的相  
对位置分布 来提取局部位置特征 为了配合局部位置  
Lo-  
…
α
α
n，m  
n，1  
，
．
，
每一列代表相应特征向量的视觉单词 其中系数 α 的  
i，j  
－ 2  
，
，
特征提取 在词袋模型特征编码过程中 本文使用  
( 2)  
;
所示 其中 β  
=
，
σ 是字典聚  
i
计算公式如式  
σ
i
i
［4，9］  
calized Soft-assignment Coding( LSAC)  
Dense-SIFT  
对
exp － d ( t ，c )  
β
2
i
j
i
， c  
B
∈
5
i
j
．
进行编码  
设特征 的坐标  
=［b ，b ，b ，b ，b ］  
=
exp － d ( t ，b )  
β
i'  
( 2)  
2 × m  
α
i，j  
∑
2
j
i'  
T
W =［w ，w ，…，w ］  
m
R
，B  
∈
1
2
j
i' = 1  
{
d × 5  
R
t
是与特征向量 欧氏距离  
j
∈
0，  
，d ( t ，c )  
c
B
1
2
3
4
5
i
j
5 ．  
最近的 个字典向量 则经过  
LSAC  
T'  
编码后的特征 如  
c
类中心 的标准偏差  
i
t
是特征向量 与字典  
j
2
j
i
( 1)  
:
所示  
式
c ． i  
向量 的欧氏距离 在第 行中找出所有 α  
i
( i，j = 1，2，  
i，j  
…，m)  
0 ， j t  
≠ 的系数 其下标 与特征向量 的下标相对  
j
， c ，  
应 表示这些特征向量是由字典向量 所编码 且系数  
i

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号