作者:裴欢; 孙天娇; 王晓妍 期刊:《农业工程学报》 2018年第02期
针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计...
作者:郑重; 姚婷婷; 孙永宣; 谢昭 期刊:《计算机应用研究》 2018年第07期
为了克服图像底层特征与高层语义之间的语义鸿沟,降低自顶向下的显著性检测方法对特定物体先验的依赖,提出一种基于高层颜色语义特征的显著性检测方法。首先从彩色图像中提取结构化颜色特征并在多核学习框架下,实现对图像进行颜色命名获取像素的颜色语义名称;接着利用图像颜色语义名称分布计算高层颜色语义特征,再将其与底层的Gist特征融合,通过线性支持向量机训练生成显著性分类器,实现像素级的显著性检测。实验结果表明,与其他先...
作者:徐岩; 刘斌; 米强 期刊:《光电子激光》 2017年第12期
为了进一步提高基于协从表示的人脸识别系统的 性能,在概率协从表示(ProCRC)算法和字典学习的基础上提出了一 种基于Gist特征和ProCRC的GL-PCRC人脸识别算法。首先提取每副人脸图像的G ist特征,再把人脸图像的Gist 特征采用线性判别算法(LDA)方法投影到最优判别子空间,使得到的LDA特征拥有最小的类内 离散度以及最大的类间离散度;然后利用 LC-KSVD方法对LDA特征进行迭代训练从而得到新的学习字典;继而通过ProCRC算法快 速得...
作者:秦姣华; 谢备; 向旭宇; 于文涛; 易积政 期刊:《 电讯技术》 2017年第09期
针对单一特征不能很好地表述图像的问题, 提出了一种融合多特征的图像检索算法.首先, 提取查询图像和图像库中样本图像的GIST ( Gener alized S earch Tree )特征, 用欧氏距离衡量图像间的 GIST相似度值, 根据查询图像的GIST 特征在图像库中进行检索, 将结果按相似度进行排序; 然后, 提取查询图像和返回结果中前k 幅图像的尺度不变特征变换( SIFT )特征, 使用BBF (Best Bin First) 算法进行特征匹配; 最后, 通过特征点匹配点...
针对大多数场景分类方法只能学习浅层特征,忽略图像之间的相关结构信息,提出一种基于Gist特征与卷积神经网络结合的场景图像分类方法。其中Gist特征用于提取场景图像的全局特征,并将其作为深度学习模型的输入,通过逐层训练卷积神经网络,提取更高层次的特征,并用训练好的卷积神经网络进行分类。实验在O&T室外场景图像数据集和MNIST手写体数据集上考察了batchsize、卷积核对分类结果的影响,并与DBN,NN,SVM和CART作为分类器...
作者:李振; 喻莹 期刊:《计算机与数字工程》 2016年第06期
Gist特征和PHOG特征分别作为描述场景图像全局性质和局部性质的特征,两者各自有不足之处。若能吸取两者优势互补,则场景图像分类准确率将得到提升。论文提出了一种基于D-S证据理论的融合Gist特征和PHOG特征的场景图像描述方法。该方法首先提取场景图像的Gist特征和PHOG特征,然后基于D-S证据理论得到融合的特征向量。使用支持向量机作为分类器,在OT场景图像库下,分别建立单一的Gist特征、单一的PHOG特征、传统串联融合特征以及证据...
作者:刘宏 普杰信 期刊:《计算机工程》 2011年第21期
基于场景全局语义特征描述符gist的自然场景分类方法在特征提取过程中计算量较大、识别精度较低。为此,提出一种改进的特征提取方法,将3尺度的gist特征与梯度方向直方图特征相结合对场景进行描述,并利用支持向量机实现分类。实验结果表明,改进的方法加快了特征提取速度,提高了分类正确率。
作者:徐涛 庹红娅 方正 刘力 敬忠良 期刊:《计算机应用研究》 2014年第05期
针对BOF模型中的码本训练问题,提出了一种改进的K—means方法。传统的K—means方法没有考虑对采集到的特征进行筛选,基于优化的方法可以看做是一种特征筛选的方法,但是实现复杂,计算量大。提出了一种基于Gist信息的特征筛选方法。根据Gist信息可以将图像粗分为背景区域和前景区域,然后对前景区域进行密集的特征采样,对背景区域进行稀疏的特征采样,最后所获得的特征都用来建立码本。实验结果表明,该方法训练的码本在Calteeh...
作者:曹玉东 刘艳洋 孙福明 贾旭 期刊:《计算机工程与科学》 2015年第02期
局部敏感哈希LSH算法是有效的高维数据索引方法,如何生成哈希函数是算法的关键部分。LSH算法的哈希函数是基于p-稳态分布随机生成的,为了提高算法性能就需要增加哈希表的数量,但这会增加算法的空间复杂度。改进后的LSH算法(I-LSH)在生成哈希函数时不需要有标记的训练样本,而是仅仅利用数据点的分布信息构造投影方向。实验结果表明,在不显著降低检索性能的情况下,ILSH有效地降低了内存的使用量,适合处理大规模数据。