基于分布结构约束稀疏表示的图像分类方法

doi:10.3969/j.issn.1006-2475.2015.07.016

计算机与现代化

基于分布结构约束稀疏表示的图像分类方法

陕西交通职业技术学院经济管理系,陕西西安710018

收稿日期:2015-04-07 出版日期:2015-07-23 发布日期:2015-07-28
作者简介:范引娣(1979-)，女，陕西礼泉人，陕西交通职业技术学院经济管理系讲师，硕士，研究方向：智能图像处理。

Image Classification Method Based on Distribution Structure Constrain Sparse Representation

Dept. of Economic Management, Shaanxi College of Communication Technology, Xi’an 710018, China

Received:2015-04-07 Online:2015-07-23 Published:2015-07-28

摘要/Abstract

摘要：

为了解决稀疏表示结构信息缺失的问题，从而更加准确地进行图像分类，本文提出一种新的基于结构约束的稀疏表示的图像分类方法。在对图像进行降采样的前提下，提取方向梯度直方图特征后

的训练样本上构建稀疏线性编码模型，通过样本间的分布结构信息约束和1范数最优化求解测试样本的稀疏系数x，利用稀疏系数均值法进行目标的分类识别。基于COREL图像库进行仿真验证，实验证明

，基于结构约束稀疏表示的图像分类方法能够获得很好的识别性能，与非结构约束稀疏表示相比本文方法显著提高了图像分类的准确率。

关键词: , 结构约束, 稀疏表示, 图像分类

Abstract:

To solve the structure information loss issue on sparse representation for accurate image classification, a new method based on structure constrain sparse

representation was proposed. The training samples after downsampling and extracting histogram of orientated gradient (Hog) were utilized to construct sparse linear coding model.

The sparse coefficients were solved on the training samples by distribution structure information constrain and 1minimization, and image was classified by sparse coefficient

mean. Experimental results with COREL dataset demonstrated that the proposed method can obtain the good recognition performance. Comparing with nonstructure constrain sparse

representation, the proposed method greatly improves the accuracy of image classification.

Key words: distribution structure constrain, sparse representation, image classification

中图分类号:

TP391.41

范引娣. 基于分布结构约束稀疏表示的图像分类方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.07.016.

FAN Yindi. Image Classification Method Based on Distribution Structure Constrain Sparse Representation[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.07.016.

［1］
梁进,刘泉,艾青松. 基于SURF和全局特征融合的图像分类研究［J］. 计算机工程与应用, 2013,49(17):174-177,194.
［2］蒲国林,邱玉辉. 基于稀疏表示全局字典学习的图像分类方法［J］. 计算机应用, 2015,35(2):499-501,514.
［3］宋相法,焦李成. 基于稀疏表示的多示例图像分类［J］. 计算机科学, 2015,42(1):293-296.
［4］练秋生,石保顺,陈书贞. 字典学习模型、算法及其应用研究进展［J］. 自动化学报, 2015,41(2):240-260.
［5］封睿,李小霞. 基于GLCKSVD的稀疏表示人脸识别算法［J］. 四川兵工学报, 2014(4):88-92.
［6］袁宗泽,孙浩,计科峰,等. 基于Fisher字典学习稀疏表示的高光谱图像分类［J］. 遥感技术与应用, 2014(4):646-652.
［7］任越美,张艳宁,魏巍,等. 基于稀疏表示和词袋模型的高光谱图像分类［J］. 计算机科学, 2014,41(10):113-116.
［8］程广涛,宋占杰,陈雪. 基于二维图像矩阵的稀疏表示分类方法［J］. 天津大学学报(自然科学与工程技术版), 2014,47(6):541-545.
［9］ Wｒight J， Yang A Y， Ganesh A， et al．Ｒobust face recognition via sparse representation［J］． IEEE Transactions on Pattern Analysis and Machine Intelligence， 2009，

31(2):210-227．
［10］Tｒopp J A， Wｒight S J．Computational methods for sparse solution of linear inverse problems［J］． Proceedings of the IEEE， 2010，98(6):948-958．
［11］刘春荣. 基于结构字典的图像修复算法［J］. 计算机与现代化, 2014(7):85-88.
［12］Gao S, Tsang I, Chia L, et al. Local features are not lonelylaplacian sparse coding for image classification［C］// IEEE Conference on Computer Vision and Pattern

Recognition(CVPR). 2010:3555-3561.
［13］Wang Jinjun, Yang Jianchao, Yu Kai, et al. Localityconstrained linear coding for image classification［C］// IEEE Conference on Computer Vision and Pattern

Recognition(CVPR). 2010:3360-3367.
［14］Yang Jianchao, Yu Kai, Gong Yihong, et al. Linear spatial pyramid matching using sparse coding for image classification ［C］// IEEE Conference on Computer Vision and

Pattern Recognition. 2009:1794-1801.
［15］Short N, Hu S, Gurram P, et al. Improving crossmodal face recognition using polarimetric imaging［J］. Optics Letters, 2015,40(6):882-885.
［16］Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms［C］// Advances in Neural Information Processing Systems. 2006:801-808.
［17］Bay H， Tuyteplaars T， van Gool L. SURF：Speeded up robust features［C］// Proceedings of the European Conference on Computer Vision. 2006：404-417.

[1]	马国祥, 杨凌菲, 严传波, 张志豪, 孙彬, 王晓荣. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023, 0(09): 100-104.
[2]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[3]	刘缨杰, 兰海, 魏宪. 基于卷积与稀疏编码的半监督学习方法[J]. 计算机与现代化, 2022, 0(11): 9-16.
[4]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[5]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[6]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[7]	李垒，任越美. 基于多任务联合判别稀疏表示的人脸识别[J]. 计算机与现代化, 2019, 0(10): 72-.
[8]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[9]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[10]	白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, 2018, 0(09): 110-.
[11]	郑亚鹏，樊璐. 基于LSTM的临床血液需求预测方法[J]. 计算机与现代化, 2018, 0(05): 41-.
[12]	刘德春1，张秀国2，姜微2. 基于马尔科夫链的大学生自主学习能力预测方法[J]. 计算机与现代化, 2018, 0(05): 106-.
[13]	夏琨1，丁波1，刘俊1，刘子豪1，林亮成2. 基于内容分析的网络协议指纹识别[J]. 计算机与现代化, 2018, 0(05): 121-.
[14]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.
[15]	陈丽娟，谢伙生. 带负项值的onshelf效用项集并行挖掘算法[J]. 计算机与现代化, 2018, 0(04): 13-.

基于分布结构约束稀疏表示的图像分类方法

Image Classification Method Based on Distribution Structure Constrain Sparse Representation

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价