多种表示的图像分类方法

摘要：

针对不同图像提取出显著的特征对于图像分类是非常有意义的,然而单一图像分类方法不能在所有图像上都取得好的鲁棒性,通过多视角来提取不同特征,并将其融合来有效地解决这个难题.首先,利用二维主成分分析(2DPCA)提取图像的特征,然后根据获取特征进行图像重构(虚拟图像).其次,利用快速傅里叶变换(FFT)获取图像的频谱特征.接着,将原始图像、虚拟图像、频谱特征分别利用稀疏方法获取得分.最后,利用一种新颖融合机制将上述得分进行融合,并根据新获取得分进行图像分类.获取的多特征和原始图像进行了互补,使该算法更具有鲁棒性;该方法具有稀疏性,提高了图像分类的性能;此外,它能自动获取参数,不需要手动调参.实验结果表明,该方法在不同情景下具有高的图像分类准确率.

关键词：图像分类、二维主成分分析(2DPCA)、快速傅里叶变换(FFT)、稀疏方法、多种表示方法

所属期刊栏目：13

分类号：TP317.4(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No.61501147;the Special Foundation of Scien-tific and Technological Innovation for Young Scientists of Harbin under Grant No.2017RAQXJ045

在线出版日期：2019-12-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2138-2148