论文部分内容阅读
众所周知,图像有着强大的信息搭载量,而随着科技的发展,一系列依赖于图像进行工作的高科技产品应运而生,从而促进了图像处理技术的蓬勃发展。图像目标分类作为图像处理、人工智能发展至关重要的研究方向,同样在以前所未有的速度发展着。然而和生物认知相比,图像目标识别的速度和准确率仍旧处于较为落后的水平,具有较高的研究价值和进步的空间。故而,本人选择基于稀疏表示算法的图像目标分类作为自己的研究生阶段的研究方向。在本文中,本人使用Oxford Pet Dataset中的catdog数据库来进行实验,通过对M-HMP算法(Multipath Sparse Coding Using Hierarchical Matching Pursuit)[8]中的字典学习算法MI-KSVD进行修改,得到一个新的字典更新算法。该算法通过将字典学习与多尺度相结合而得到,本文将其命名为基于多尺度的奇异值分解(KSingular Value Decomposition based on Multi Scale Objects,简称MS-KSVD算法)。经大量实验证明,用MS-KSVD算法替代原始的MI-KSVD算法,可以提升目标分类的准确率。进一步,本文针对M-HMP算法的路径进行分析,提出更优的路径设计,从而达到：1)在保持准确率不降低的情况下,可以减少路径的数量,从而减少算法的计算时间,降低对计算机存储空间的需求；2)在保持路径数量不变的情况下,可以提高目标分类的准确率,使得分类更加精确。为了更好地提升图像目标分类的准确率,本文还考虑到了特征的权重问题。通过更改不同路径得到的特征的权重,来提升最终的目标分类准确率。总结,本文通过改进字典学习算法,更改稀疏表示特征的路径,设定不同路径的特征权重,从而不断提升基于catdog数据库的图像目标分类的准确率,使得最终的分类准确率为53.56%,比原始52.11%的准确率提升了1.45%,这在catdog数据库上是个较为难得的突破。