融合局部聚合描述符和全局特征的现勘图像分类算法

针对低层特征对图像内容描述不够精确而导致现勘图像分类准确率不高的不足,提出一种融合局部聚合描述符(vector of locally aggregated descriptors,VLAD)和全局特征的现勘图像分类算法。首先,分别提取HSV颜色直方图和局部二值模式(local binary pattern,LBP)特征作为图像全局特征;然后,对现勘图像进行密集采样,提取每个子区域的尺度不变特征变换(scale-invariant feature transform,SIFT)特征,利用VLAD方法对提取的密集SIFT特征进行编码;最后,将全局特征和VLAD特征融合,并采用直方图相交核函数的支持向量机(support vector machine,SVM)进行分类。针对现勘5K、轮胎5K和Corel-1K数据集,比较提出算法与基于低层特征、基于词袋模型、基于空间金字塔模型特征分类方法的性能。结果表明:提出的算法分类精度优于对比算法。

空间金字塔颜色直方图在图像分类中的应用

颜色直方图在图像分类系统中有着重要的应用。针对像颜色直方图特征的空间关系,提出空间金字塔颜色直方图作为图像的特征表示。它结合了图像的全局特征以及分块特征的优点。使用支持向量机(SVM)以及常用的4种核函数进行了测试。在corel图像库上的实验结果表明,该特征可以有效地结合全局与空间特征,提高了图像的分类准确率。

基于PNN的彩色图像的自适应颜色分割

针对自然场景图像中特定颜色目标的自动检测问题,提出了一种基于概率神经网络(PNN)的彩色图像自适应颜色分割算法。利用实际图像的实验结果证明:文中算法能从图像中有效地分割出特定颜色类型的地物目标,对自然光照环境具有较强的鲁棒性和适应性。

全局图像特征分析与实时层次化消失点检测

为了使道路场景的消失点检测能够适应不同的道路条件,提出基于全局图像特征的层次化消失点检测方法。通过全局图像特征提取全局道路特征,将道路分为4类并粗粒度定位道路区域。根据分类选择提取道路标识或边缘特征进行尺度变换的线段检测或区域分割并投票消失点集,再选择使用逆透视仿射变换或色彩纹理信息验证获得有效消失点。通过图像预处理移除道路车辆及阴影干扰,进一步提高检测精度。实验证明道路特征分类有效,在光照阴影、色彩纹理及遮挡等条件各异的场景中,层次化消失点检测方法均获得实时鲁棒的检测结果,比现有在复杂场景平均误差较小的基于本征直线方向与色彩纹理的检测方法精度与效率分别提高37.5%和20%。

基于文本引导对抗哈希的跨模态检索方法

随着深度学习方法的不断发展,跨模态哈希检索技术也取得了长足的进步。但是,目前的跨模态哈希检索方法通常基于两种假设:a)相似文本描述的图像内容也相似;b)相同类别的图像有着较好的全局相似性。但是,真实数据集中的数据往往不能满足以上两种假设,导致了跨模态哈希检索模型性能的降低。针对以上两个问题,提出了一种基于文本引导对抗哈希的跨模态检索方法(text-guided adversarial hashing for cross-modal retrieval,TAH),此方法在构建的网络结构基础上,将文本哈希码作为训练图像网络的基础,并将图像的局部特征与全局特征结合用于表示图像内容。此外,还针对性地提出了文本模态内全局一致性损失、模态间局部与全局一致性损失和分类对抗损失用于训练跨模态网络。实验证明,TAH可以在三个数据集中取得良好的检索性能。