基于BoF模型的图像表示方法研究

设计合适的图像表示是计算机视觉中最重要的问题之一。BoF特征表示方法非常流行,已经广泛应用于图像分类、对象识别、图像检索、机器人定位和纹理识别。BoF特征是将图像表示为无序的特征集合。这种方法虽然缺乏结构信息和空间信息,但概念简洁、计算简单,在某些应用上取得的效果甚至可以与当前最好的方法媲美。仔细研究了BoF模型,着重对BoF模型中的3个阶段:局部特征提取、特征量化和编码、特征汇集所涉及到的典型技术进行了讨论。最后在分析各类研究方法的基础上,总结了目前研究存在的问题及可能的发展方向。     

结合Fisher判别分析和稀疏编码的图像场景分类

视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀疏局部线性编码,从而有效地利用图像的空间信息;然后在非负稀疏局部线性编码的基础上引入Fisher判别约束准则,构建基于Fisher判别约束的非负稀疏局部线性编码模型,以获得图像的判别稀疏向量表示,增强图像稀疏表示的判别性;最后结合支持向量机(SVM)分类器实现场景分类.实验结果表明,该算法提高了图像稀疏表示的特征分类能力以及分类性能,更有利于场景分类任务.     

词袋特征压缩算法比较研究

针对目前词袋(BoF)特征压缩算法忽略编码矢量之间空间关系的问题,本文给出了压缩算法与金字塔模型相配合的图像分类步骤。同时以多个公开图像数据集为实验对象,对典型词袋特征压缩算法的性能进行比较性研究报道。实验结果表明,压缩算法对于视觉单词数目以及编码方法具有良好的鲁棒性;其中基于子空间方法的压缩算法在高层图像特征空间中的分类性能最优,在多个图像数据集上的分类性能最优,时间开销最小。     

词袋特征压缩算法比较性研究

针对没有关于参数、编码方法、聚集方法如何影响词袋(Bag-of-Features, BoF)特征压缩算法性能的全面研究报道,并且压缩算法没有考虑编码矢量之间空间关系等问题,本文给出了压缩算法与金字塔模型相配合的图像分类步骤,以公开图像数据集为实验对象,对压缩算法进行比较性研究。实验结果表明,压缩算法对于视觉单词数目以及编码方法具有良好的鲁棒性;其中基于子空间方法的压缩算法在高层图像特征空间中的分类性能最优,在多个图像数据集上的分类性能最优,时间开销最小。     

融合多尺度码本的全局编码图像分类

目的词袋模型在图像分类领域中的分类效果主要受限于局部特征的量化误差。针对这一点,提出一种融合多尺度码本的全局编码图像分类方法,有效减少特征量化误差。方法通过使用多尺度特征密集采样,构建多尺度码本,使码本具备一种层次结构,通过充分利用图像特征的流形结构,计算码本全局信息,实现全局编码。通过本文方法得到的编码系数比较平滑和准确。最后使用多路径方法,分别将不同尺度的特征表示进行级联,得到最终的图像特征表示。这种特征表示具备了一定程度上的尺度不变性。结果在UIUC-8和Caltech-101两个常用的标准图像数据集上进行测试,分类准确率分别达到88.0%和83.2%。结论实验结果表明,相比于基于固定尺度码本的局部编码方法,本文方法在分类识别率方面有了显著提升。     

基于RGB-D融合特征的图像分类

当前经典的图像分类算法大多是基于RGB图像或灰度图像,并没有很好地利用物体或场景的深度信息,针对这个问题,提出了一种基于RGB-D融合特征的图像分类方法。首先,分别提取RGB图像dense SIFT局部特征与深度图Gist全局特征,然后将得到的两种图像特征进行特征融合;其次,使用改进K-means算法对融合特征建立视觉词典,克服了传统K-means算法过度依赖初始点选择的问题,并在图像表示阶段引入LLC稀疏编码对融合特征与其对应的视觉词典进行稀疏编码;最后,利用线性SVM进行图像分类。实验结果表明,所提出的算法能有效地提高图像分类的精度。     

基于TSNE和多尺度稀疏自编码的高光谱图像分类

针对高光谱图像存在维数“灾难”、特征以及空间信息利用不足的问题,结合深度学习、流形学习及多尺度空间特征的最新进展,提出了一种TSNE和多尺度稀疏自编码网络的高光谱图像分类算法。利用TSNE算法对高光谱图像进行降维,再对每个像元的邻域进行多尺度空间特征提取,利用加入空谱联合信息的像元训练稀疏自编码网络模型并通过softmax分类器进行分类,减少计算复杂度,提高分类精确度。通过对Indian Pines及Pavia University两组数据进行实验,结果表明,提出的算法与其他五种算法相比分类效果更好。     

基于BoC-BoF特征的图像检索方法研究

为了优化基于内容的图像检索方法,提出了一种融合特征来表征图像内容.首先,提取基于RootSift描述子的特征词袋(Bag-of-Features,BoF)表示向量,获得图像的边缘和形状信息;其次,采用基于HSV的颜色词袋(Bag-of-Colors,BoC)表示向量来代替传统颜色直方图方法,获取图像的颜色信息;最后,将BoF表示向量和BoC表示向量相融合,形成BoC-BoF特征向量.BoC-BoF特征有效地实现了全局特征和局部特征的融合.两个数据集检索的实验结果表明,该方法比其它方法更加有效.     

基于改进局部特征分布的图像分类方法

提出一种概率签名的图像分布描述及对应的图像分类算法．算法首先通过高斯混合模型建立图像局部特征分布,然后以混合模型中各个模式的均值为聚类中心,以图像中满足约束条件的局部特征对相应模式的后验概率之和为聚类大小来形成初始的概率签名,最后执行一个压缩过程确定最终的概率签名特征,并通过训练基于Earth Mover's Distance (EMD)核的SVM分类器完成图像分类．概率签名允许一个局部特征对多个聚类做出反映,可以编码更多判别信息以及从视觉感知上捕捉更多的相似性．通过与其它图像分类方法在场景识别和对象分类两项任务上的对比实验,验证了文中提出的分类方法的有效性．     

基于分布结构约束稀疏表示的图像分类方法

为了解决稀疏表示结构信息缺失的问题,从而更加准确地进行图像分类,本文提出一种新的基于结构约束的稀疏表示的图像分类方法。在对图像进行降采样的前提下,提取方向梯度直方图特征后的训练样本上构建稀疏线性编码模型,通过样本间的分布结构信息约束和?1范数最优化求解测试样本的稀疏系数x,利用稀疏系数均值法进行目标的分类识别。基于COREL图像库进行仿真验证,实验证明,基于结构约束稀疏表示的图像分类方法能够获得很好的识别性能,与非结构约束稀疏表示相比本文方法显著提高了图像分类的准确率。     

图像检索系统构建中的几个问题

本文对综合利用图像的内容特征和图像元特征以及将图像特征的自动提取和手工提取相结合,采用分布式结构和高效的查询接口,从而构建高效实用的图像检索系统中的一些问题进行了探讨.     

Feature based robust watermarking using image normalization

This paper presents a robust watermarking scheme based on feature point detection and image normalization. Firstly some stable feature points are detected from the original image using the proposed multiresolution feature point detection filter. Then, image normalization is applied to the disks centered at these feature points. The watermark is embedded in the subband coefficients of DFT domain of each disk separately. And the watermark detection uses the correlation between the watermark embedding coefficients and the original watermark, and does not need the original image. The proposed scheme combines the advantages of feature point detection and image normalization, which can achieve strong robustness to signal processing and geometrical distortions. The experimental results also demonstrate good performance of the proposed scheme.     

基于图像增强的月面特征提取与匹配方法

针对月面巡视探测器自主导航中的障碍识别问题,为了采集清晰有效的图形,使用一种基于图像增强的方法结合尺度不变的特征点提取和匹配新的算法来识别障碍物。使用图像增强方法预处理图像,用多尺度特征极值点检测的SIFT方法,提取特征,进行左右双目图像的特征匹配。与传统视觉算法相比,可以解决仿真试验场较差的光源环境,并提高对不同光照环境图像的特征提取和匹配的鲁棒性。在仿真试验场的双目视觉图像匹配中,仿真实验取得较好的效果。     

基于SVM的图像分类

SVM能够解决线性及非线性分类问题,以较少的支持向量确定分类面,对样本数量及维数不敏感。基于直方图及惯性比确定图像特征能够保证平移、旋转和尺度不变性,是最优分类面确定的可靠保证。利用SVM进行图像分类,充分体现SVM理论的实用价值。     

基于图像差分特征的彩色图像差分预测与信息提取算法研究

图像特征提取预测技术一直是图像处理领域研究的热点与难点.提出了一种包含图像归一化特征融合的图像差分预测算法.基于色彩的图像差分特征测量方法充分利用了图像的色彩信息,将色彩信息全部转换到一个色彩空间中,然后将图像归一化到特定的视角距离范围内来提取出图像差分特征(IDF)信息.最后做了大量的仿真实验,结果表明,提出的方法可以极大地提高彩色图像差分预测性能;同时对图像的色域映射所造成的亮度失真进行的多尺度分析结果表明,以不同尺度提取的基于亮度的图像差分特征比一般的图像失真具有更高的尺度间相关性.     

基于动态RBF神经网络的遥感图像中烟辨识

针对森林火灾的突发性和分散性特点,根据森林火灾中的烟影像的特征,结合RBF神经网络分类器通用性的特点,采用PCA方法降低图像的维数和Fisher线性判别方法提取遥感图像中烟的影像特征,用特征值数代替训练样本数,并作为RBF网络输入数,在对样本训练的过程中提出一种改进型的混合算法。仿真实验表明,该算法对烟图像识别的准确率较高。     

异源图像特征点边缘描述与匹配

特征提取是数字图像处理和计算机视觉中的一项重要技术,而利用特征描述算子来构造图像特征点是图像特征提取及配准中的一个关键步骤。SIFT特征点检测算子具有平移、旋转及缩放不变性,在图像配准中应用很广泛。针对基于SIFT特征的64维描述算子的不足进行了改进。通过仿真实验证明,改进后的算法比原算法精度更高,且时间复杂度有所降低。     

无序图像自动匹配与识别

设计一个多幅无序图像的自动匹配和识别系统,能够根据用户输入的多幅无序图像进行自动匹配和识别,并对具有重叠的图像进行自动拼接。系统首先对输入的每一幅图像进行MOPS特征检测,然后通过k-d树的最近邻搜索完成不同图像特征之间的快速匹配。其次基于图像特征之间的对应关系使用RANSAC算法建立任意两幅图像之间的匹配模型,并用概率算法进行鲁棒校验。通过构建与图像匹配关系对应的无向连通图结构,实现多幅无序图像的自动识别。最后使用递归算法对无向连通图进行深度优先遍历,并用多频带融合算法消除拼接痕迹,合成相应的全景图像。实验结果表明该系统能够自动对多幅无序图像进行自动匹配与识别,验证了算法的可行性和有效性。     

细粒度民族服饰图像检索的全局-局部特征提取方法

民族服饰图像具有不同民族风格的服装款式、配饰和图案,导致民族服饰图像细粒度检索准确率较低.因此,文中提出细粒度民族服饰图像检索的全局-局部特征提取方法.首先,基于自定义的民族服饰语义标注,对输入图像进行区域检测,分别获得前景、款式、图案和配饰图像.然后在全卷积网络结构的基础上构建多分支的全局-局部特征提取模型,对不同区...     

基于内容的图像检索的关键技术

基于内容特征的图像检索(CBIR)是目前国内外研究的一个热点.本文简要介绍了基于内容的图像检索技术的发展过程及主要原理,重点论述了基于内容的图像检索常用关键技术--图像视觉特征的描述和提取.