图像分类识别中特征及模型的若干问题研究

论文摘要

图像分类识别的任务主要是对一组图像进行自动的分类或者判断某幅图像是否属于某个类别,是计算机视觉领域中一个热点难点问题,具有广泛用途。目前国内外在图像分类识别的特征和模型方面进行了大量的研究,但在提取什么类型的特征以及如何有效建模方面还缺乏系统的理论与方法指导,影响图像分类识别问题的深入研究。针对上述问题,本文使用计算机视觉、机器学习、模式识别和图像处理等理论和方法,主要从底层的特征提取到上层的建模等若干关键问题进行了深入研究。特征方面,本文系统的分析了针对图像分类识别问题的局部特征提取、描述、应用范围和优缺点,建立了局部特征的评判标准。为了快速的检测局部特征区域,本文提出了Haar-Fast特征点检测新方法进行多尺度的特征点提取。在此基础上提出基于二维经验模式分解的特征点描述符新方法,可以有效的描述具有复杂特征的局部区域。同时,首次将经验模式分解引入特征点描述与匹配问题,也是对Hilbert-Huang变换理论的一种新尝试。模型方面,提出一种物体分类模型潜在局部区域空间关系模型及实现算法。模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习。算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势。此外,为了有效的使用大量未标注图像训练模型,本文提出一种半监督学习的图像分类识别算法随机半监督采样。通过随机半监督采样算法,可以充分利用未标注样本信息,对模型进行迭代的更新。针对该半监督学习模型,为了充分考虑图像的空间信息,本文提出局部空间直方图特征方法。使用图像的局部特征信息,形成包含一定空间关系的局部空间直方图特征,通过SVM训练模型。实验表明,算法可以充分利用未标注样本信息,融合图像的局部空间关系,提高分类器的性能。本文的研究成果丰富了图像分类识别技术及其应用的研究思路,具有一定的理论意义和应用价值,为图像分类识别技术及其应用,提供了有益的方法和手段。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 问题定义
• 1.1.2 典型应用
• 1.2 方法综述
• 1.3 图像分类识别的难点问题
• 1.4 本文主要工作和贡献
• 1.5 论文的章节组织
• 第2章 概率图模型方法与概率推理
• 2.1 概率图模型（Probability Graph Models）
• 2.2 主要图模型结构
• 2.2.1 贝叶斯网（BN）
• 2.2.2 马尔可夫网（MRF）
• 2.3 期望值最大算法（Expectation Maximization Algorithm）
• 2.3.1 EM算法的步骤
• 2.4 采样近似推理方法
• 2.4.1 蒙特卡罗方法
• 2.4.2 马尔可夫蒙特卡罗（MCMC）采样
• 2.4.3 采样方法比较
• 2.5 变分推理（Variational approximation）
• 2.5.1 概率密度分解（Factorized distributions）
• 2.6 本章小结
• 第3章 局部特征评价
• 3.1 图像局部特征的提取与匹配
• 3.2 尺度空间
• 3.2.1 尺度空间的基本性质
• 3.3 局部特征点提取与描述方法
• 3.3.1 局部特征提取
• 3.3.2 特征描述
• 3.4 匹配方法及评价标准
• 3.5 抗缩放的特征点提取与描述方法SIFT
• 3.5.1 基于DoG 的特征提取
• 3.5.2 SIFT 特征描述
• 3.6 抗尺度与抗仿射局部特征的比较
• 3.6.1 实验步骤
• 3.6.2 比较结论
• 3.7 本章小结
• 第4章 基于二维经验模式分解的特征描述方法
• 4.1 多尺度快速特征点检测算法：Haar-Fast检测
• 4.2 基于二维经验模式分解（BEMD）的特征描述
• 4.2.1 二维经验模式分解（BEMD）
• 4.2.2 基于二维经验模式分解的特征提取
• 4.3 实验结果
• 4.3.1 实验比较分析
• 4.3.2 匹配结果
• 4.4 本章小结
• 第5章 基于潜在局部空间关系模型的物体分类算法
• 5.1 引言
• 5.2 潜在局部区域空间关系
• 5.2.1 基本定义
• 5.2.2 潜在局部区域空间关系模型（Latent Local Spatial Relations Model）
• 5.2.3 参数学习
• 5.3 问题讨论
• 5.3.1 区域拓扑结构以及区域间关系的表示
• 5.3.2 LLSR与part-based-methods的区别
• 5.3.3 LLSR与bag-of-word方法的区别
• 5.4 模型算法实现
• 5.4.1 特征单词与特征区域的确定
• 5.4.2 学习与分类识别
• 5.5 采用PLSA模型的实现
• 5.6 比较方法的实现
• 5.6.1 基于bag-of-word的语义分类方法
• 5.6.2 基于part-based方法的分类识别方法
• 5.7 实验对比与分析
• 5.7.1 二类及多类结果
• 5.7.2 具有相同统计信息的不同类图像的结果
• 5.7.3 与bag-of-word方法的比较
• 5.7.4 算法的稳定性比较
• 5.7.5 几何变换及遮挡条件下的结果
• 5.8 本章小结
• 第6章 基于随机半监督采样学习的图像分类识别算法
• 6.1 引言
• 6.2 随机半监督采样学习算法
• 6.2.1 半监督谱聚类
• 6.2.2 随机半监督采样算法（Random Semi-Supervised Sampling）
• 6.3 图的建立
• 6.4 结合局部空间关系的图像特征提取：局部空间直方图
• 6.5 随机采样半监督学习的原理分析
• 6.6 实验分析
• 6.6.1 多类分类问题
• 6.6.2 训练样本对结果的影响
• 6.6.3 特征的影响
• 6.6.4 Graz数据库上的比较结果
• 6.7 本章小结
• 第7章 结论与展望
• 7.1 结论
• 7.2 未来工作展望
• 附录A 部分图像
• 参考文献
• 致谢
• 作者攻读博士期间发表的论文和科研成果
• 学位论文摘要（中文）
• 学位论文摘要（英文）