面向圖像分類的特征選擇方法.pdf_第1頁
已閱讀1頁,還剩69頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論