面向圖像分類的特征選擇方法.pdf

1、隨著互聯(lián)網(wǎng)、多媒體技術和計算機視覺的快速發(fā)展，海量的數(shù)字圖像的處理成為日益現(xiàn)實而緊迫的問題，即如何從如此紛繁復雜的圖像中快速的找到我們所需要的信息。近年來，主要以詞袋模型(Bags of Visual Word，BOV)、卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNNs)為代表的圖像分類算法表現(xiàn)出的卓越的分類性能吸引了越來越多的研究者加入該行列。圖像分類已成為組織管理圖像數(shù)據(jù)的關鍵技術，然而由于圖像的多

2、樣性和復雜性以及類內(nèi)的差異性，如何更加準確全面地表示圖像是困擾我們的問題，也激勵著眾多學者提出新的技術來解決，推動計算機視覺的發(fā)展。目前的圖像分類研究工作主要集中在特征表示問題上，事實上，在特征提取階段會得到成千上萬的局部特征，并不是所有的特征都是有用的，例如那些位于圖像背景區(qū)域的特征，產(chǎn)生冗余的同時也會產(chǎn)生干擾作用。因此如何進行有效的特征選擇得到更具判別力的局部特征，為圖像分類提供更有用的信息，成為圖像分類研究中的重要問題。鑒于上述問

3、題，本文基于BOV詞袋模型提出了兩種特征選擇的方法，一種是基于顯著區(qū)域的特征選擇方法，另一種是基于目標檢測的特征選擇方法。將它們引入兩種特征提取方法中:關鍵點檢測DOG-Sift特征的提取和Dense-Sift特征的提取中。并將提取出的特征聚合成Fisher向量，來實現(xiàn)對圖像分類結果的改進。
　　本研究主要內(nèi)容包括：⑴基于顯著區(qū)域的特征選擇，采用侯曉迪的顯著區(qū)域提取算法，利用得到圖像中顯著區(qū)域的邊緣位置，將顯著區(qū)域形成一個矩形包圍

4、框。利用關鍵點檢測提取出包圍框中的DOG-SIFT特征生成Fisher向量進行圖像分類并分析結果;進一步，提取出包圍框中的Dense-Sift特征生成Fisher向量進行圖像分類并分析結果。⑵基于目標檢測的特征選擇，采用程明明的BING目標檢測算法，得到圖像中目標Object所在的box矩形框。利用關鍵點檢測提取出box中的Sift特征生成Fisher向量進行圖像分類并分析結果;進一步，提取出box中的Dense-Sift特征生成Fis