使用高斯和非參數內核構建圖像分類方法

馬麗娜 常玲

【摘要】 隨著機器學習和圖像處理技術的快速發展，急需這些基本技術的結合來構建圖像分類方法。在本文的研究中，我們采用高斯和非參數內核分析進行深入研究，根據內核的性能提出了模擬和實際數據集。通過優化分析和實驗模擬表明， 在圖像分類任務中內核能夠實現性能匹配。

【關鍵字】 圖像分類 高斯內核 非參數內核

一、概述

在計算機視覺中，圖像是無序的，對象的形狀可以用在邊緣局部的描述符號集來表示，因此圖像的存儲、表示和檢索的方法顯得尤為重要。近年來，許多在線系統都在開發存儲、管理和共享圖片的服務，可以對圖像進行分類來正確使用這些服務[1]。處理這些常見的方法是使用高維直方圖，并通過一些適當的目標比較直方圖，一個有效的方法是通過使用圖片類。如果兩個圖像共享一組類似的類成員，我們可以認為它們是一對類似的圖像。因此我們使用類會員來構造新的圖像分類的表示方法[2]。基于這種新的方法，我們可以從一個圖像數據庫檢索獲得一個精確的圖像。高斯內核結合非參數內核分類器就是用來測量圖像的一個特殊的類成員。

二、研究方法

高斯內核方法的概述和框架如圖1所示。我們首先從互聯網下載許多不同類型的圖像，然后使用one-against-all規則訓練分類器，對于支持單獨向量的每個類與其他類的圖像給定一個測試圖像，我們將支持向量機（SVM）分類器應用于計算響應，然后響應向量作為新的輸入。最后， 使用響應向量之間的歐氏距離來區別不同的圖像[3]。

三、總結

在本文中，我們提出使用新的內核分類器方法來表示圖像。如果他們的分類器是相似的，兩張圖片可以被認為是類似于的。我們開發了一個快速和有效的迭代算法來訓練內核分類器訓練圖像數量。實驗分析說明了方法的有效性。

參 考 文 獻

[1] Chen， Zhihua， et al. "Kernel sparse representation for time series classification." Information Sciences 292 （2015）： 15-26.

[2] Fernandez-Lozano， Carlos， et al. "Texture classification using feature selection and kernel-based techniques." Soft Computing （2015）： 1-12.

[3] Haoxiang Wang. “An Effective Image Representation Method Using Kernel Classification”.

[4] Póczos， Barnabás， et al. "Nonparametric kernel estimators for image classification." Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012.

[5] Maldonado， Sebastián， Richard Weber， and Jayanta Basak. "Simultaneous feature selection and classification using kernel-penalized support vector machines." Information Sciences 181.1 （2011）： 115-128.

[6] Chen， Yi， Nasser M. Nasrabadi， and Trac D. Tran. "Hyperspectral image classification via kernel sparse representation." Geoscience and Remote Sensing， IEEE Transactions on 51.1 （2013）： 217-231.