使用高斯和非參數(shù)內(nèi)核構(gòu)建圖像分類(lèi)方法

馬麗娜 常玲

【摘要】 隨著機(jī)器學(xué)習(xí)和圖像處理技術(shù)的快速發(fā)展，急需這些基本技術(shù)的結(jié)合來(lái)構(gòu)建圖像分類(lèi)方法。在本文的研究中，我們采用高斯和非參數(shù)內(nèi)核分析進(jìn)行深入研究，根據(jù)內(nèi)核的性能提出了模擬和實(shí)際數(shù)據(jù)集。通過(guò)優(yōu)化分析和實(shí)驗(yàn)?zāi)M表明， 在圖像分類(lèi)任務(wù)中內(nèi)核能夠?qū)崿F(xiàn)性能匹配。

【關(guān)鍵字】 圖像分類(lèi) 高斯內(nèi)核 非參數(shù)內(nèi)核

一、概述

在計(jì)算機(jī)視覺(jué)中，圖像是無(wú)序的，對(duì)象的形狀可以用在邊緣局部的描述符號(hào)集來(lái)表示，因此圖像的存儲(chǔ)、表示和檢索的方法顯得尤為重要。近年來(lái)，許多在線系統(tǒng)都在開(kāi)發(fā)存儲(chǔ)、管理和共享圖片的服務(wù)，可以對(duì)圖像進(jìn)行分類(lèi)來(lái)正確使用這些服務(wù)[1]。處理這些常見(jiàn)的方法是使用高維直方圖，并通過(guò)一些適當(dāng)?shù)哪繕?biāo)比較直方圖，一個(gè)有效的方法是通過(guò)使用圖片類(lèi)。如果兩個(gè)圖像共享一組類(lèi)似的類(lèi)成員，我們可以認(rèn)為它們是一對(duì)類(lèi)似的圖像。因此我們使用類(lèi)會(huì)員來(lái)構(gòu)造新的圖像分類(lèi)的表示方法[2]。基于這種新的方法，我們可以從一個(gè)圖像數(shù)據(jù)庫(kù)檢索獲得一個(gè)精確的圖像。高斯內(nèi)核結(jié)合非參數(shù)內(nèi)核分類(lèi)器就是用來(lái)測(cè)量圖像的一個(gè)特殊的類(lèi)成員。

二、研究方法

高斯內(nèi)核方法的概述和框架如圖1所示。我們首先從互聯(lián)網(wǎng)下載許多不同類(lèi)型的圖像，然后使用one-against-all規(guī)則訓(xùn)練分類(lèi)器，對(duì)于支持單獨(dú)向量的每個(gè)類(lèi)與其他類(lèi)的圖像給定一個(gè)測(cè)試圖像，我們將支持向量機(jī)（SVM）分類(lèi)器應(yīng)用于計(jì)算響應(yīng)，然后響應(yīng)向量作為新的輸入。最后， 使用響應(yīng)向量之間的歐氏距離來(lái)區(qū)別不同的圖像[3]。

三、總結(jié)

在本文中，我們提出使用新的內(nèi)核分類(lèi)器方法來(lái)表示圖像。如果他們的分類(lèi)器是相似的，兩張圖片可以被認(rèn)為是類(lèi)似于的。我們開(kāi)發(fā)了一個(gè)快速和有效的迭代算法來(lái)訓(xùn)練內(nèi)核分類(lèi)器訓(xùn)練圖像數(shù)量。實(shí)驗(yàn)分析說(shuō)明了方法的有效性。

參 考 文 獻(xiàn)

[1] Chen， Zhihua， et al. "Kernel sparse representation for time series classification." Information Sciences 292 （2015）： 15-26.

[2] Fernandez-Lozano， Carlos， et al. "Texture classification using feature selection and kernel-based techniques." Soft Computing （2015）： 1-12.

[3] Haoxiang Wang. “An Effective Image Representation Method Using Kernel Classification”.

[4] Póczos， Barnabás， et al. "Nonparametric kernel estimators for image classification." Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012.

[5] Maldonado， Sebastián， Richard Weber， and Jayanta Basak. "Simultaneous feature selection and classification using kernel-penalized support vector machines." Information Sciences 181.1 （2011）： 115-128.

[6] Chen， Yi， Nasser M. Nasrabadi， and Trac D. Tran. "Hyperspectral image classification via kernel sparse representation." Geoscience and Remote Sensing， IEEE Transactions on 51.1 （2013）： 217-231.