-
题名基于二进制哈希与空间金字塔的视觉词袋模型生成方法
被引量:1
- 1
-
-
作者
彭天强
栗芳
-
机构
河南工程学院计算机学院
河南图像识别工程技术中心
-
出处
《计算机工程》
CAS
CSCD
北大核心
2016年第12期164-170,共7页
-
基金
国家自然科学基金青年科学基金"基于位置敏感哈希的图像语义检索技术研究"(61301232)
河南工程学院博士基金
-
文摘
构建视觉词典是视觉词袋模型中的关键步骤,目前大多数视觉词典是基于k-means及其改进算法聚类生成。但由于k-means聚类的局限性以及样本空间结构的复杂性与高维性,该方式构建的视觉词典存在区分性较差、构建时间过长、不包含空间信息等问题。为此,提出一种改进的视觉词袋模型生成方法,以缩短视觉词典的构建时间。提取图像的局部特征点,构成局部特征点描述集。学习二进制哈希函数,将局部特征点映射为视觉单词,并对视觉词进行过滤,生成二进制哈希码的视觉词典。利用生成的视觉词典,结合空间金字塔匹配模型生成新的视觉词典模型,将图像表示为空间金字塔直方图向量,并应用于图像分类和检索。实验结果表明,该模型具有较高的分类精度和检索性能。
-
关键词
二进制哈希
空间金字塔匹配模型
视觉词袋模型
图像分类
图像检索
-
Keywords
binary Hashing
Spatial Pyramid Matching ( classification
image retrieval SPM ) model
Bag of Visual Word ( BoVW ) model
image
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名哈希编码结合空间金字塔的图像分类
被引量:8
- 2
-
-
作者
彭天强
栗芳
-
机构
河南工程学院计算机学院
河南图像识别工程技术中心
-
出处
《中国图象图形学报》
CSCD
北大核心
2016年第9期1138-1146,共9页
-
基金
国家自然科学基金项目(61301232)~~
-
文摘
目的稀疏编码是当前广泛使用的一种图像表示方法,针对稀疏编码及其改进算法计算过程复杂、费时等问题,提出一种哈希编码结合空间金字塔的图像分类算法。方法首先,提取图像的局部特征点,构成局部特征点描述集。其次,学习自编码哈希函数,将局部特征点表示为二进制哈希编码。然后,在二进制哈希编码的基础上进行K均值聚类生成二进制视觉词典。最后,结合空间金字塔模型,将图像表示为空间金字塔直方图向量,并应用于图像分类。结果在常用的Caltech-101和Scene-15数据集上进行实验验证,并和目前与稀疏编码相关的算法进行实验对比。与稀疏编码相关的算法相比,本文算法词典学习时间缩短了50%,在线编码速度提高了1.3~12.4倍,分类正确率提高了1%~5%。结论提出了一种哈希编码结合空间金字塔的图像分类算法,利用哈希编码代替稀疏编码对局部特征点进行编码,并结合空间金字塔模型用于图像分类。实验结果表明,本文算法词典学习时间更短、编码速度更快,适用于在线词典学习和应用。
-
关键词
哈希编码
空间金字塔匹配模型
稀疏编码
二进制K均值聚类
图像分类
-
Keywords
hash codes
spatial pyramid matching model
sparse coding
binary K-means cluster
image classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于拉普拉斯非负稀疏编码的图像分类
被引量:6
- 3
-
-
作者
李钱钱
曹国
-
机构
南京理工大学计算机科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
2013年第11期240-244,共5页
-
基金
国家自然科学基金资助项目(61003108
61371168)
-
文摘
针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。
-
关键词
稀疏编码
非负稀疏编码
拉普拉斯非负稀疏编码
空间金字塔匹配模型
图像分类
支持向量机
-
Keywords
Sparse Coding(SC)
Non-negative Sparse Coding(NNSC)
Laplacian Non-negative Sparse Coding(LNNSC)
SpatialPyramid Matching(SPM) model
image classification
Support Vector Machine(SVM)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-