改进HFT模型及其在图像分类中的应用

为降低图像分类数据的冗余性以提高图像分类的准确率,提出一种改进HFT(Hyper complex Fourier Transform)模型并进行图像分类.首先,利用提出改进HFT得到视觉显著图.1)超复数图像的三个虚部系数由R,G,B替换为L',a',b',而实部系数为调整后的亮度值;2)通过傅里叶变换原始相位谱和滤波后幅度谱重构二维图像,不同的尺度空间得到多个候选显著图;3)引入标准差和对比函数,得到视觉显著图.其次,分别提取显著图的PCNN(Pulse Coupled Neural Network)时间签名特征以及纹理特征.最后,利用提取的图像特征作为SVM(Support Vector Machine)的输入向量,进行图像多分类.实验结果表明,本文方法在SIMPLIcity图像测试集上的分类准确性达到了95.04%,在Caltech测试集分类准确性达到了95.23%,提高了图像分类的准确率.