基于中层特征的精细图像分类

摘要

现如今，图像处理中目标分类与检测越来越多的得到了人们的关注与研究。目标分类一般分为两种，一种是基础图像分类，另一种是越来越受到人们关注的精细图像分类。基础图像分类是为了区分具有不同形状以及视觉特征的物体（例如给出一个鸟的图片，基础图像分类就是为了要区分出这张图片是鸟的图片还是狗的图片）。精细图像分类则是要区分具有相似形状以及外貌特征的物体（例如给出一副鸟的图片，精细分类就是要判断出这只鸟究竟属于哪一类鸟）。在这篇文章中，我们主要研究了图像的精细分类问题，在现实生活中它比图像的基础分类更加具有实用性。我们所使用的数据库是目前比较有挑战性的CUB-200以及Stanford_Dogs数据库。
　　相对于使用底层的SIFT与 HOG特征描述子，我采用了BoW框架和高效匹配核EMK技术来将底层特征映射到中层特征中去。结合可以补偿BoW和EMK框架里的空间信息丢失的加权空间金字塔，实验就可以得到最优的实验结果。实验用EMK与词包（BoW）作对比，其中，BoW也可以看做是一种核函数匹配方法，EMK是找出词表主要成分的相互关系，并且在核函数的框架中找到一种新的映射。EMK是通过映射，将局部特征映射到一个低维的特征空间并且将结果向量平均化以形成一个特征层集合。实验结果表明，这可以很好的改进系统的性能。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 精细图像分类的研究背景及意义

1.2 国内外研究现状

1.3 文章框架

第2章 底层特征提取

2.1 SIFT特征提取

2.2 HOG特征

2.3 本章小结

第3章 中层特征描述

3.1 BoW（Bag of Word）模型

3.2 EMK（Efficient match kernel）

3.3 空间金字塔

3.4 本章小结

第4章 分类器

4.1 支持向量机（SVM）

4.2随机森林（Random Forests，RF）

4.3本章小结

第5章 实验分析

5.1数据库介绍

5.2基于CUB-200数据库的实验分析

5.3 基于Stanford_Dogs_Dataset数据库的实验分析

5.4 实验结果总结

5.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢