基于稀疏表示與屬性學習相結合的圖像分類方法研究.pdf

1、隨著人工智能以及多媒體技術的快速發(fā)展，基于機器學習的自然圖像識別方法在過去的幾年中取得了很大進步。針對高級語義在人工智能識別領域的應用，本文重點討論此背景下的機器學習的拓展與應用，以及屬性學習這一高級語義特征應用于圖像識別的理論與方法。通過深入研究現(xiàn)有的基于圖像底層特征的傳統(tǒng)圖像識別理論方法，在基于屬性學習的圖像分類方法的基礎上，提出了稀疏表示與屬性學習相結合的圖像分類方法，具體內(nèi)容如下:
　　1)基于屬性學習的圖像分類方法。有別

2、于傳統(tǒng)圖像分類方法，首先引入“屬性”這一高級語義特征，在統(tǒng)計學習的基礎上，對特定圖像對象進行“屬性”歸納，建立屬性類別關系分布概率;然后以提取到的圖像屬性為模版，對每一種屬性的關聯(lián)圖像提取特征數(shù)據(jù)，并訓練基于圖像屬性的屬性分類器;最后通過屬性分類器對圖像屬性進行識別，利用已得到的屬性分布概率完成對圖像類別的判別。
　　2)基于稀疏表示與屬性學習相結合的圖像分類方法。該方法首先將數(shù)據(jù)集內(nèi)圖像特征進行稀疏表示;在稀疏表示過程中，通過應

3、用K-SVD算法以及結合OMP算法來構建字典并獲得稀疏系數(shù)，得到稀疏化后的特征數(shù)據(jù);然后對已得到的稀疏特征進行訓練得到基于圖像屬性的屬性分類器;對測試圖像進行屬性識別，在獲得屬性概率分布的基礎上，結合屬性類別的對應關系，得到最終判定類別。
　　3)基于稀疏表示與屬性學習相結合的遷移學習算法框架。該算法建立在基于稀疏表示與屬性學習相結合的圖像分類算法在圖像分類上已有了良好效果的基礎上。首先根據(jù)底層特征和屬性這一高級語義的內(nèi)在關聯(lián)關系