基于稀疏编码多尺度空间潜在语义分析的图像分类

被引：28

作者：

赵仲秋

季海峰

高隽

胡东辉

吴信东

机构：

[1] 合肥工业大学计算机与信息学院

来源：

计算机学报 | 2014年 / 37卷 / 06期

基金：

中国博士后科学基金;

关键词：

图像分类; 稀疏编码; 潜在语义分析; 空间金字塔;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

传统潜在语义分析方法无法利用图像中区域语义构成的上下文信息来获得图像目标空间分布信息,因此它丢掉了局部特征之间的空间关系信息.而基于最近邻矢量量化来构造共生矩阵具有较大的量化误差,使得特征描述缺乏鲁棒性,影响后续潜在语义分析获得特征的精确性.为了弥补这些不足,文中提出了一种基于稀疏编码的多尺度空间潜在语义分析的图像分类方法.首先通过空间金字塔方法对图像进行空间多尺度划分,然后利用稀疏编码对每个局部块特征进行软量化以形成共生矩阵,之后结合概率潜在语义分析(PLSA)获得每个局部块的潜在语义信息,再利用权值串接每个特定局部块中的语义信息得到图像多尺度空间潜在语义信息,最后用支持向量机(SVM)分类器完成图像的场景分类.在常见图像库上的实验表明,本文提出的基于稀疏编码的多尺度空间潜在语义分析方法平均分类精度比现有诸多方法均有明显提高,验证了其有效性和鲁棒性.实验还表明,空间金字塔匹配、稀疏编码共生矩阵以及PLSA降维这3个模块在该文方法中缺一不可,共同提升图像表征和分类性能.

引用

页码：1251 / 1260

页数：10

共 6 条

[1] 基于潜在局部区域空间关系学习的物体分类算法 [J].

韩东峰 ;

李文辉 ;

郭武 .

计算机学报, 2007, (08) :1286-1294

[2] SVM用于基于内容的自然图像分类和检索 [J].

付岩 ;

王耀威 ;

王伟强 ;

高文 .

计算机学报, 2003, (10) :1261-1265

[3] Principal component analysis [J].

Abdi, Herve ;

Williams, Lynne J. .

WILEY INTERDISCIPLINARY REVIEWS-COMPUTATIONAL STATISTICS, 2010, 2 (04) :433-459

[4] Distinctive image features from scale-invariant keypoints [J].

Lowe, DG .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) :91-110

[5] Unsupervised Learning by Probabilistic Latent Semantic Analysis [J].

Thomas Hofmann .

Machine Learning, 2001, 42 :177-196

[6]

Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope[J] . Aude Oliva,Antonio Torralba.International Journal of Computer Vision . 2001 (3)

← 1 →