基于PCA和GMM的图像分类算法

讨论了目标图像类和非目标图像类的分类方法.按统计学原理,如果图像类属于目标图像类,则提取图像中目标图像的特征,否则提取整幅图像的底层特征,基于主分量分析（PCA）的图像特征降维方法和高斯混合模型（GMM）分类器,提出了一种图像分类算法,该算法在标准的Corel图像库上进行了测试,并与其它基于GMM的方法进行了比较,实验结果表明了提出算法的有效性.     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

基于不变矩和SVM分类的三维目标识别方法

在计算机视觉问题的研究中,针对三维目标识别,可综合应用图像的不变矩特征和支持向量机分类方法,为快速目标识别,减少计算量,提出了一种红外图像中多视点目标的识别方法.首先获取各类三维目标的若干二维视图,将视图放在一起进行标准化处理并提取它们的不变特征矩.然后对每组视图的Zernike矩进行聚类;将聚类中心对应的Zernik...     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

基于自适应特征选择和SVM的图像分类的研究

提出多特征结合的图像分类方法,分别提取颜色特征和LBP纹理特征,同时提出Adaboost算法对特征进行选择,选择最能表示图像的特征,这样既降低了特征的维数,又提高了分类的精度。最后对基于SVM的多类图像分类方法进行了研究,提出在二类支持向量机的基础上构造多类分类器的方法,实验结果表明,提出的方法能够很好地用于图像分类。     

基于K-L变换的水下目标声图像识别方法研究

研究准确识别水下目标问题,由于水下存在多种目标,根据目标信号的特点,提出了一种基于K-L(Karhunen-Loeve)变换的水下目标声图像识别方法.首先利用K-L变换对水下目标声图像进行降维处理,并求出其特征声图像,然后计算出待识别的水下目标声图像在特征声图像上的投影系数并进行判别.仿真结果表明,提出的方法在20dB信噪比条件下,对潜艇、尺度目标和点目标声图像的识别率分别为80％、100％和100％,可以有效的对水下目标声图像进行识别,为水下目标识别提供了一种简单可行的新思想和新方法.     

FCM算法在图像目标提取中的应用

针对相对复杂图像目标对象的提取问题,本文先运用模糊C均值聚类算法(FCM)对图像进行模糊分割。再根据模糊分类后的图像,本文设计了一种图像目标提取方法。实验表明,这种方法能还原模糊分类后的图像目标,并使背景部分替换成其他颜色,从而实现图像目标的提取。     

一种基于调和随机权网络与曲波变换的图像分类方法

图像分类是图像处理研究中重要且基本的问题之一,而设计有效的特征提取方法和快速高精度的分类器则是图像分类研究的关键.文中以随机权网络算法为基础,结合多项式函数能有效逼近目标函数相对平缓部分的优点,提出调和随机权网络算法,并以此算法作为分类器,结合快速离散曲波变换和局部判别定位法,给出一种图像分类方法.该方法首先利用快速离散曲波变换提取图像特征,然后依据局部判别定位法对所提取的图像特征降维,最后运用所提出的调和随机权网络分类器识别降维的特征,从而有效实现图像分类.实验表明文中方法具有更高的识别率和更快的识别速度.     

Adaboost和信息瓶颈算法在图像检索中的应用

提出基于Adaboost特征选择和信息瓶颈算法的图像检索方法,提取图像的量化颜色直方图特征和Gabor小波纹理特征,采用Adaboost特征选择算法进行特征降维;用信息瓶颈算法对图像进行聚类,得到每个图像类的聚类中心;计算查询示例图像和对应图像类的图像之间的相似度,按照相似度的大小返回检索结果。实验表明,提出的方法可以明显提高检索效率以及检索的精度。     

提取目标区域词袋特征的图像分类方法

规则网格是视觉词袋模型中常用的图像检测方法,该方法抽取图像所有区块,获得背景区块和目标区块完整的图像信息。事实上,抽取的背景区块信息对类别的判定往往会有一定的混淆作用。以“摩托车”类和“小汽车”类的图像为例,这两类图像背景特征相似,大多都是道路,一般的分类方法很可能将它们分为相同类别。可见,背景信息会干扰图像分类结果。因此,提出一种提取目标区域词袋特征的图像分类方法。利用图像分割去除背景信息提取目标区域;对目标区域构建视觉词袋模型;使用SVM分类器对图像进行分类。PASCAL VOC2006及PASCAL VOC2010数据集上的实验结果表明,提取目标区域词袋特征的图像分类方法具有较好的分类性能。     

一种低冗余Dense SIFT特征提取方法

特征提取是图像分类的关键部分之一.现有的Dense SIFT特征采用固定网格和步长以从上到下、从左到右的重叠方式提取特征,如果图像分辨率过大,将会导致提取的图像特征数量非常大,并且引入大量的冗余信息.为此,提出了一种低冗余Dense SIFT特征提取方法.该方法首先对图像进行预处理,实现对图像的紧凑表示;然后,利用数据中心化思想和(l)0范数去除冗余的Dense SIFT特征点,节约特征存储所需的空间,降低后续处理的计算复杂度;最后,将低冗余Dense SIFT特征提取方法应用于图像分类,提出了一种图像分类方案.实验结果表明,采用所提出的Dense SIFT特征提取方法,在减少特征点数量的同时,可以提升特征的区分能力.     

基于图像目标特征空间自学习分类算法

为解决图像分类过程中特征点选择的随机性对分类精度造成的影响,提出一种基于图像目标特征空间自学习分类算法。利用基于颜色和纹理特征的多通道局部主动轮廊模型找到图像的目标区域,在目标区域选取特征并对特征稀疏编码建立图像的目标特征空间。为进一步提高图像分类精度建立投票机制下基于图像目标特征空间的自学习算法。实验结果表明,该方法能避免特征选择的随机性对实验结果的影响,有效地提高图像分类的精度。     

Robust image retrieval with hidden classes

For the purpose of content-based image retrieval (CBIR), image classification is important to help improve the retrieval accuracy and speed of the retrieval process. However, the CBIR systems that employ image classification suffer from the problem of hidden classes. The queries associated with hidden classes cannot be accurately answered using a traditional CBIR system. To address this problem, a robust CBIR scheme is proposed that incorporates a novel query detection technique and a self-adaptive retrieval strategy. A number of experiments carried out on the two popular image datasets demonstrate the effectiveness of the proposed scheme.     

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征（光谱特征、纹理特征和形状特征）提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了“椒盐现象”,使自动分类的精度和效率得到较大提升。     

Unsupervised spectral sub-feature learning for hyperspectral image classification

Spectral pixel classification is one of the principal techniques used in hyperspectral image (HSI) analysis. In this article, we propose an unsupervised feature learning method for classification of hyperspectral images. The proposed method learns a dictionary of sub-feature basis representations from the spectral domain, which allows effective use of the correlated spectral data. The learned dictionary is then used in encoding convolutional samples from the hyperspectral input pixels to an expanded but sparse feature space. Expanded hyperspectral feature representations enable linear separation between object classes present in an image. To evaluate the proposed method, we performed experiments on several commonly used HSI data sets acquired at different locations and by different sensors. Our experimental results show that the proposed method outperforms other pixel-wise classification methods that make use of unsupervised feature extraction approaches. Additionally, even though our approach does not use any prior knowledge, or labelled training data to learn features, it yields either advantageous, or comparable, results in terms of classification accuracy with respect to recent semi-supervised methods.     

一种基于图像区域系综分类的室外场景理解方法

多层感知机分类器是一种有效的数据分类方法，但其分类性能受训练样本空间的限制。通过多层感知机分类器系综提高室外场景理解中图像区域的分类性能，提出了一种自动识别室外场景图像中多种景物所属概念类别的方法。该方法首先提取图像分割区域的低层视觉特征，然后基于系综分类方法建立区域视觉特征和语义类别的对应关系，通过合并相同标注区域，确定图像中景物的高层语义。对包含5种景物的150幅图像进行测试，识别率达到了87％。与基于多层感知机方法的实验结果相比，本文提出的方法取得了更好的性能，这表明该方法适合于图像区域分类。此外，系综方法还可以推广到其他的分类问题。     

基于多层支持向量机的极化合成孔径雷达特征分析与分类

为了充分利用极化合成孔径雷达（SAR）图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机（SVM）的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。     

基于多尺度LBP金字塔特征的分类算法

为有效解决旋转变化、光照变化和尺度变化等图像的分类问题,提出一种基于多尺度局部二元模式(LBP)金字塔特征的图像分类算法。通过多尺度LBP金字塔提取各尺度的图像纹理特征,建立图像的多尺度LBP金字塔直方图,并将其作为图像特征向量,采用K-means方法对该特征向量进行降维,以用于图像分类。同时,针对传统二进制权值分布方法对噪声敏感的缺点,提出一种多端权值分布方法。实验结果表明,多尺度LBP金字塔方法具有较好的可鉴别性及图像描述能力,而多端权值分布法也能提高图像的分类精度。