推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于图正则化局部特征编码算法的图像分类方法

更新时间:2019-12-25 05:07:49 大小:337K 上传用户:zhiyao6查看TA发布的资源 标签:局部特征编码算法 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

为了解决经典局部特征编码方法会产生相似局部特征之间编码系数不一致的问题,本文提出一种图正则化局部特征编码算法.该算法在对初始编码矢量所定义的能量化函数中引入正则化项,保证空间上相邻外观上相似的局部特征之间的编码矢量尽可能一致.MSRcv2、Caltech101、Scene 15以及Indoor 67四个公开数据集上的实验结果表明本文方法能够提高硬分配、软分配、稀疏编码、局部约束线性编码以及局部软分配五种经典编码方法的性能,并且基于本文编码算法的图像分类方法在上述四个公开数据集上的平均分类正确率分别达到了91.13%、76.02%、83.76%、44.78%.


部分文件列表

文件名 大小
基于图正则化局部特征编码算法的图像分类方法.pdf 337K

部分页面预览

(完整内容请下载后查看)
8
第 期  
Vol. 45 No. 8  
Aug. 2017  
2017  
8
年 月  
ACTA ELECTRONICA SINICA  
基于图正则化局部特征编码算法的  
图像分类方法  
1
2
3
1
杨 赛 赵春霞 胡 彬 陈 峰  
( 1.  
226019; 2.  
210094;  
南通大学电气工程学院 江苏南通  
南京理工大学计算机科学与工程学院 江苏南京  
3.  
南通大学计算机科学与技术学院 江苏南通  
226019)  
:
为了解决经典局部特征编码方法会产生相似局部特征之间编码系数不一致的问题 本文提出一种图正  
摘 要  
 
则化局部特征编码算法 该算法在对初始编码矢量所定义的能量化函数中引入正则化项 保证空间上相邻外观上相似  
. MSRcv2Caltech101Scene 15 Indoor 67  
以及  
的局部特征之间的编码矢量尽可能一致  
四个公开数据集上的实验结果  
表明本文方法能够提高硬分配 软分配 稀疏编码 局部约束线性编码以及局部软分配五种经典编码方法的性能 并且  
91. 13% 76. 02% 、  
基于本文编码算法的图像分类方法在上述四个公开数据集上的平均分类正确率分别达到了  
83. 76% 44. 78% .  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
词袋模型 编码算法 图模型 图像分类  
:
TP391. 4  
:
A
:
0372-2112 ( 2017) 08-1882-06  
DOI: 10. 3969 /j. issn. 0372-2112. 2017. 08. 011  
文献标识码  
文章编号  
电子学报  
An Image Classification Method Using  
Graphically Regularized Coding Algorithm  
1
2
3
1
YANG Sai ZHAO Chun-xia HU Bin CHEN Feng  
( 1. School of Electrical EngineeringNatong UniversityNantongJiangsu 226019China;  
2. School of Computer Science and EngineeringNanjing University of Science and TechnologyNanjingJiangsu 210094China;  
3. School of Computer Science and TechnologyNantong UniversityNantongJiangsu 226019China)  
Abstract: In order to solve the problem that current coding schemes lost consistence between similar local featuresthis  
paper proposes a new graphically regularized coding algorithm. This algorithm used any current coding scheme to get the initial  
coding coefficientsand utilized a regularized term to preserve locality constrains both in the feature space and the spatial do-  
main of the image. Experimental results on popular benchmark datasets show that our method improves the performances of the  
current coding algorithmsand the average classification accuracies of our proposed method in MSRcv2Caltech101Scene15,  
Indoor 67 and UIUC-sport has reached 91. 13% 76. 02% 83. 76% 44. 78% and 89. 05% respectively.  
Key words: bag-of-feature; coding algorithm; graphical model; image classification  
编码算法是局部特征与视觉词汇向量之间的联系纽  
1
引言  
带 是词袋模型的核心步骤  
标准词袋模型中的编码操作为硬分配  
ment CodingHAC) 1]  
如今面对海量的图像信息 图像的自动分类已成  
( Hard-assign-  
该方法选择距离最近的视觉词汇  
为当前研究的新热点 而词袋模型因其简单高效已经  
成为当前流行的图像特征表示方法 该模型按照某种  
;
表征局部描述矢量 会产生很大的量化误差 最直观的改  
( Soft-assignment CodingSAC) 2]  
编码规则得到局部特征在视觉词汇向量张成的语义空  
该方  
进方法是软分配  
.  
间中的投影系数 将投影向量整合后表征图像 其中的  
;
法使用所有视觉词汇向量的加权和表示局部描述矢量  
: 2016-02-22;  
: 2016-10-13;  
:
收稿日期  
修回日期  
基金项目 江省普通高校自然科学研究面上项目  
BK20151273) ; ( No. MS22015100) ;  
责任编辑 马兰英  
:
( No. 16KJB520037) ;  
( No. 61602150) ;  
( No.  
国家自然科学基金  
江苏省自然科学基金  
( No. 1601013B)  
南通市科技项目前沿与关键技术  
江苏省博士后科研资助计划项目  
1883  
8
:
杨 赛 基于图正则化局部特征编码算法的图像分类方法  
3]  
等 学者提出的稀疏编码  
K
Yang  
( Sparse CodingSC)  
使用  
( 4) d ,  
R
x
w
表示 与 之间的距离矢量 Θ 表  
m
m
k
有限个视觉词汇向量对局部特征进行编码 同样可以尽  
d
c
示 与 中对应元素的乘积  
m
m
;
SC  
l
量减少量化误差 针对 求解 范数非常耗时的问题  
( 5)  
局部软分配编码  
1
4]  
出一种局部约束的线性编码  
^
exp( - D( x w ) )  
Wang  
( Local- con-  
β
m
k
c
=
mk  
S
strained Linear CodingLLC)  
算法 该方法对局部特征与视  
^
exp( - D( x w ) )  
β
m
s
s = 1  
;
觉词汇向量之间局部关系进行约束 针对软分配编码方  
5]  
Liu  
法忽略了局部特征与视觉词汇之间的势场关系  
D( x w ) ,  
w
N ( x )  
如果  
否则  
k
m
s
s
m
^
D( x w ) =  
( 5)  
m
s
{
( Localized Soft-assignment Cod-  
提出的局部软分配编码  
^
( 5) D( x w )  
x
w
N ( x )  
表示 与 之间的距离  
ingLSC)  
k
使用核函数将局部特征分配到 个最近邻的视  
m
s
m
s
k
m
x
k
表示 的 个近邻视觉词汇向量  
m
觉单词 然而上述经典编码算法都只是对图像中的每个  
局部特征单独进行编码 忽略了它们之间的空间上下文  
3
图正则化局部特征编码算法  
;
信息 并且由于视觉码书通常是过完备的 外观相似的局  
3. 1  
算法描述  
部特征会选择不同的视觉单词进行响应 会产生相似的  
2
中典型局部特征编码算法表达式可以归  
局部特征之间的编码系数不一致的现象 为了解决上述  
:
结为  
问题 本文提出一种图正则化  
( Graphically Regularized,  
c
= C( x W)  
( 6)  
mI  
m
GR)  
局部特征编码算法  
( 6) C( ·)  
为局部特征编码函数 将编码矢量  
c
mI  
2
典型局部特征编码算法  
作为初始编码矢量 则所有编码矢量组成初始编码矢  
M × K  
C =c c c R  
I
I
量矩阵  
对于图像 中  
I = { I I I } ,  
对其中  
假设给定图像数据集为  
I
1I  
2I  
MI  
j
1
2
N
M
的 个  
SIFT  
X = { x x x }  
以及坐标矢量  
L =  
特征  
1
2
M
SIFT  
特征 随机抽取所有训练图像局部  
每幅图像提取  
{ l l l } ,  
G( OEV) .  
O,  
特征 所有节点集合为 任  
将其表示为一个带权无向图  
1
2
M
Y,  
K
Y
特征集合中的一个子集 使用 均值算法对 聚类得  
D × 1  
G
SIFT  
图 的节点为每一个  
意两个节点由一条边连接起来 并且被赋一权值表征  
E,  
K
到 个视觉词汇向量 其中第 个记为  
k
w
R
k = 1,  
k
2KD SIFT K  
特征的维数 则 个词汇向量组成视  
T
D × K  
它们之间的相似程度 所有边的集合记为 所有权值  
W =w w w ]  
R
I
I
觉码书  
将图像 中提  
1
2
K
j
V,  
ij  
v
:
的集合为 其中第 个元素 的计算公式为  
ij  
M
取的 个  
SIFT  
X = { x x x } ,  
相应的坐  
特征记为  
1
2
M
2
2
2
2
xi xj  
li lj  
L = { l l l } ,  
m
SIFT  
标矢量记为  
则其中的第 个  
K × 1  
1
2
M
2
σx  
2
σl  
{  
}
{  
}
e
* e  
l
如果 ∈  
N( l )  
j
i
v =  
ij  
( 7)  
x ,  
l c  
R
征为  
坐标特征为 设  
m
m
表示相应的编码特  
m
{
分别表示其相应的坐标特征  
0
否则  
征矢量 则典型编码算法的表示如下  
:
( 7) x x  
i
j
SIFT  
分别表示图像中第 个和第 个  
i
j
( 1)  
硬分配编码  
l l  
N( l )  
i
表示第 个  
2
i
j
i
1,  
k = arg min x w  
m
如果  
k
2
k = 1K  
SIFT  
K
特征的 个空间近邻  
c
=
( 1)  
mk  
{
第 维上的数值  
0,  
否则  
X
假设对集合 进行编码后得到编码矢量矩阵为  
K × M  
C
( 1) , ·  
c  
m
为第 个编码特征  
‖ ‖ 为欧式距离  
2
=c c c R  
M
:
对其定义下面的能量函数  
M
mk  
1
2
k
2
2
E( c ) = ( c c ) +  
v ( c c )  
( 8)  
γ
i
i
iI  
ij  
i
j
( 2)  
软分配编码  
exp( -  
ij = 1  
2
( 8) c  
c
i
j
SIFT  
式 中 和 表示第 和第 个  
特征的编码矢  
( 8)  
)
β
x
w  
i
j
m
k
2
c
=
( 2)  
mk  
K
c  
i
SIFT  
特征的初始编码矢量 等式  
量 表示第 个  
iI  
2
exp( -  
)
β
x
w  
m
k
2
SIFT  
右边的第一项为拟合项 表示  
特征的编码矢量与初  
始编码矢量之间的方差 确保两者之间的误差尽可能的  
SIFT  
k = 1  
( 3)  
β 为光滑系数  
( 3)  
稀疏编码  
c = argmin x Wc  
;
小 第二项为正则化项 表示空间上相邻  
特征编码  
2
+
c
( 3)  
α
矢量之间的方差 保证空间上相邻外观上相似的局部特  
m
m
m
2
m
1
k
c
R
征之间的编码矢量尽可能一致 图正则化系γ 控制两  
( 3) , ·  
l
‖ ‖ 为 范数 α 为正则系数  
1
1
( 8)  
项的比重 对式 求微分并令其为零最终得到  
- 1  
:
( 4)  
局部约束线性编码  
M
C = ( D V + I)  
C
( 9)  
的对称矩阵的权值集合 即使用  
D M × M  
的对角矩  
μ
μ
I
2
2
min  
x Wc  
m
+
w
d
Θ
λ
m
k
m
c
( 9) V  
中 为  
M × M  
m = 1  
s. t.  
c
= 1m  
( 4)  
( 7)  
公式  
计算其中的每一个元素 为  
m
1

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载