【技术实现步骤摘要】
本专利技术属于图像分类领域，特别是一种面向多类别、高精度图像分类方法。
技术介绍
在当前的信息化社会中，以图像为代表的数字媒体资源已达到海量规模，成为当前信息处理和信息资源建设的主体。传统的技术手段已经无法适应这种需求，这对图像的组织、分析、检索和管理等技术都提出了全新的挑战。图像分类作为对图像的机器理解的基础技术，近些年来一直是模式识别、计算机视觉、信息检索、人工智能、机器学习和数据挖掘等多个重要研究领域中持续的前沿性研究热点。图像分类是指根据图像的内容将其归为特定的语义类别的方法，其能自动提取图像的语义信息并有效管理。图像语义分类技术可直接应用到海量图像检索、图像语义标注、图像信息过滤等图像语义理解相关的其他
，并带动上述领域相关技术的发展。尽管国内外许多研究者投身于图像分类技术的研究，目前的图像分类还面临多种挑战。比如:怎样自动获得丰富的高层语义信息；如何鲁棒地处理光照、位置、遮挡以及噪声数据的情形；如何高效处理大规模图像数据等等。近些年，基于字典学习的图像分类框架获得众多研究者的关注，大量实验分析表明了其优越性。此框架的关键在于设计高效算法学习更有效的字典，并充分利用字典中的信息用于分类。因此，此专利技术旨在改进已有字典学习模型，引入学习顺序机制控制字典学习，使学习过程从简单到复杂逐渐演化，最终形成更适用于分类任务的字典，以提升基于字典学习的图像分类方法的分类精度。
技术实现思路
专利技术目的:本专利技术为了解决现有技术中的问题，提出了，从而提升了已有基于字典学习的图像分类方法的分类精度。
技术实现思路
:本专利技术公开了基于自调制字典学习的图像分...
【技术保护点】
一种基于自调制字典学习的图像分类方法，其特征在于，包括训练阶段和分类阶段：训练阶段包括：步骤1，局部特征抽取：对于训练图像集中的每一幅训练图像进行局部特征描述子抽取生成训练图像集的局部特征集合；训练图像是带有类标的图像，类标用于标记图像所属类别；步骤2，自调制字典学习：在局部特征集合中随机抽取部分局部特征作为训练集，训练集分为简单样例集E和复杂样例集H；反复迭代：当前简单样例集确定、稀疏编码、字典更新、以及阈值更新四个步骤完成字典学习，生成字典D；步骤3，训练图像表示：包含特征稀疏编码和图像空间聚合步骤；步骤4，分类模型学习：将步骤3中得到的训练图像特征向量及其对应分类类标作为线性核SVM分类器的输入完成分类模型的参数学习，得到SVM分类模型；分类阶段包括：步骤5，局部特征抽取：对于待分类图像进行局部特征描述子抽取生成待分类图像的局部特征集合；步骤6，待分类图像表示：首先对待分类图像的局部特征进行稀疏编码：采用下式根据字典D，对局部特征xi求解稀疏编码系数αi：其中D表示字典，αi表示局部特征xi对应于字典D的编码系数，λ是正则化参数，其取值为(0,+∞)；然后进行待分类图像的局部特征...
【技术特征摘要】
1.一种基于自调制字典学习的图像分类方法，其特征在于，包括训练阶段和分类阶段: 训练阶段包括: 步骤1，局部特征抽取:对于训练图像集中的每一幅训练图像进行局部特征描述子抽取生成训练图像集的局部特征集合；训练图像是带有类标的图像，类标用于标记图像所属类别； 步骤2，自调制字典学习:在局部特征集合中随机抽取部分局部特征作为训练集，训练集分为简单样例集E和复杂样例集H;反复迭代:当前简单样例集确定、稀疏编码、字典更新、以及阈值更新四个步骤完成字典学习，生成字典D ； 步骤3，训练图像表示:包含特征稀疏编码和图像空间聚合步骤； 步骤4，分类模型学习:将步骤3中得到的训练图像特征向量及其对应分类类标作为线性核SVM分类器的输入完成分类模型的参数学习，得到SVM分类模型； 分类阶段包括: 步骤5，局部特征抽取:对于待分类图像进行局部特征描述子抽取生成待分类图像的局部特征集合； 步骤6，待分类图像表示:首先对待分类图像的局部特征进行稀疏编码:采用下式根据字典D，对局部特征Xi求解稀疏编码系数a i:2.根据权利要求1所述的一种基于自调制字典学习的图像分类方法，其特征在于，步骤2自调制字典学习具体包括如下步骤: 从局部特征集合中随机取η个训练图像作为训练集X，X= [...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。