基于弱监督空间金字塔模型的图像分类研究

摘要

图像分类是机器视觉中的一项基础工作，旨在使用训练得到的分类模型对给定图像进行分类。根据使用图像特征划分，将图像分类分为基于全局特征的图像分类和基于局部不变特征的图像分类。本文主要研究的是基于局部不变特征的图像分类，使用的基本框架是空间金字塔模型。
　　 传统空间金字塔模型主要存在两个问题:首先，空间金字塔的形成过程是一个无监督过程，完全忽略了图像分类过程中存在的可以使用的大量监督信息。然而这些监督信息在格子级别上只是弱监督信息，并不能直接用于图像分类。第二，从空间金字塔的形成过程可以看出，我们对每个格子的重视程度是相同的，然而在现实图像中，各个格子的重要程度是存在差别的。
　　 针对传统空间金字塔模型的问题，我们提出了基于弱监督信息的空间金字塔模型。与传统空间金字塔不同，我们并没有保留空间金字塔形成过程中所有的格子。我们通过K近邻信息熵来衡量某个层次上格子的重要程度，并移除那些K近邻信息熵大于此层次阈值的格子。分析表明我们得到了一个各个格子重要程度不同的空间金字塔。通过证明，我们发现我们得到的结果核矩阵仍然能够保持半正定，这样就能保证支持向量机收敛，并且我们还证明了其一般情况，空间金字塔的层次格子重要性采样得到的核矩阵也能保持半正定。为了验证算法的正确性，我们在两个常用的图像分类数据集上进行测试，结果表明我们的算法较传统空间金字塔模型有一定程度的提高。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 研究价值

1．3 主要工作和论文结构

第2章 局部不变特征提取及量化基础

2．1 局部不变特征介绍

2．2 常见局部不变区域检测算法

2．2．1 Maravec角点检测算法

2．2．2 Harris角点检测算法

2．2．3 SIFT角点检测算法

2．3 SIFT特征描述方法

2．4 局部特征量化

2．4．1 视觉词袋模型

2．5 本章小结

第3章 空间金字塔和支持向量机相关理论

3．1 金字塔匹配模型

3．2 空间金字塔模型

3．3 支持向量机相关理论

3．3．1 监督学习理论

3．3．2 SVM及其推导过程

3．3．3 核变换

3．3．4 SVM实现算法简介

3．4 本章小节

第4章 使用弱监督信息的空间金字塔模型

4．1 算法基本流程

4．2 K近邻信息熵

4．2．1 K近邻搜索

4．3 部分格子移除

4．4 核矩阵半正定性证明

4．5 实验设置及结果

4．5．1 数据集简介

4．5．2 用到的工具类

4．5．3 测试过程及结果

4．6 本章小结

第5章 总结与展望

5．1 主要工作总结

5．2 工作展望

参考文献

致谢

攻读学位期间发表的论文目录