基于图像特征空间学习的图像分类方法研究-电子与通信工程专业论文.docx

万方数据 万方数据 西安电子科技大学 学位论文创新性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本人签名： 日期 导师签名： 日期 万方数据 万方数据 摘 要 摘 要 随着多媒体技术及网络技术的进一步发展，图像分类方法的研究已经成为当 今国内外研究的热点问题。 图像分类方法主要分为基于图像空间的分类方法和基于特征空间的分类方 法。在图像数据信息量已经变得非常庞大的今天，如何建立快速、有效的图像分 类方法成为了一个迫切需要解决的问题。基于图像空间的分类方法面对数据量很 大的情况下，计算复杂度较高，其实用性不强；而基于特征空间的学习方法，不 仅可以降低数据的维数，降低计算的复杂性，而且还具有较强的鲁棒性，实用性， 成为图像分类的主流方法。 本文对基于图像特征空间学习的图像分类方法作了深入的研究，其中涉及图 像处理,计算机视觉,机器学习,人工智能等诸多领域。随着图像分类系统商用化进 程的进一步发展,越来越多的研究者开始进入图像分类这个领域，是一个很有发展 前景的研究方向。 本文主要工作如下： 1) 图像描述子是表征图像的方式，是对图像分类识别的前置阶段，也是至关 重要的基础。工作中主要通过滤波器的方式，提出了局部化的高斯埃尔米特矩， 并使用其优化当前流行的图像描述子，使得提取的图像轮廓特征更加丰富，冗余 信息更少，在有噪声的影响下，其分类效果更加精确。 2) 稀疏表示是对所提取的图像特征进行表示的高效途径之一。本文提出了将 非负矩阵分解方法和图拉普拉斯方法应用到基于稀疏表示的学习框架中，有效的 避免了传统的稀疏编码算法中出现的“负因子相消”、编码特征之间互相关信息丢 失的现象，从而提高了图像分类的精度。 3) 空间金字塔不但可以实现维数约减，还能够表征图像的空间结构信息。在 基于稀疏表示的基础上，提出了通过自适应加权的方式，加大支持目标形状特征 的权值，抑制背景形状特征的权值，获得图像特征的自适应加权空间金字塔表示， 从而提高了对图像背景特征的鲁棒性。 关键词：图像分类 描述子方法 稀疏编码 空间金字塔 Abstract Abstract With the rapid development of multimedia and Internet, the research of image classification has been becoming a hotspot problem at home and abroad. Image classification methods mainly divided into two categories: image-space based methods and feature-space based methods. As the intrinsic problem of large number of image information, the methods based on feature-space learning become the main method on the image classification compared with the methods based on image-space learning. And also, with the development of multimedia and HYPERLINK /correspondent correspondent image classification system, the study of image classification will become a very promising research direction