[发明专利]潜在狄利克雷模型的多尺度字典自然场景图像分类方法

摘要

本发明方法公开了一种基于潜在狄利克雷分析的多尺度字典场景图像分类方法，主要解决现有分类方法人工标记工作量较大和分类正确率较低的问题。其实现步骤是：分别建立自然场景图像分类的训练集和测试集；对训练集提取尺度不变特征，生成多尺度字典；用多尺度字典对图像进行字典映射，并用词袋模型BOW生成多尺度稀疏表示向量；用Gibbs采样方法生成多尺度稀疏表示向量的潜在语义主题模型，得到图像的潜在语义主题分布，进而构建自然场景图像分类模型；利用分类模型对自然场景图像进行分类。本发明采用了多尺度特征和潜在语义主题模型，丰富了图像的特征信息，避免了大量的人工标记工作，提高了分类正确率，可用于目标识别及车辆、机器人导航。

主权项

一种潜在狄利克雷模型的多尺度字典自然场景图像分类方法，包括如下步骤：(1)分别建立自然场景图像分类训练集和图像分类测试集；(2)提取训练集中每幅图像采样点尺度不变特征集合F，生成多尺度字典D：(2a)用网格采样方法对训练集中的每幅图像进行网格采样，得到每幅图像的网格采样点SP；(2b)用尺度不变特征提取方法对训练集中每幅图像的网格采样点SP提取尺度不变特征，得到训练集中每幅图像的尺度不变特征集合F；(2c)用K均值聚类算法分别对训练集上每幅图像网格采样点的尺度不变特征F进行聚类，生成字典D；(3)用多尺度字典D对训练集中每幅图像进行字典映射词袋模型BOW描述，得到每幅图像对应的多尺度稀疏表示向量W；(4)用Gibbs采样方法估计潜在狄利克雷模型中的隐参数，得到训练集中每幅图像的潜在语义主题模型Z和潜在语义主题分布θ；(5)用图像潜在语义主题模型Z生成测试集中每幅图像潜在语义主题分布θ1；(6)将训练集中每幅图像的潜在语义主题分布θ和其对应的类别l作为训练数据，用支撑向量机SVM算法获得自然场景分类模型E；(7)根据自然场景分类模型E对测试图像进行分类。