4、基于改进特征词汇表的图像分类方法

基于改进特征词汇表的图像分类方法

1. 引言

随着数字图像数量的急剧增长，图像分类技术受到了广泛关注。图像分类旨在将图像标记或归类到预定义的类别中，其相似度属性因系统而异，主要基于颜色、纹理和形状特征。

图像分类具有广泛的应用，包括图像搜索、事件检测（监控）、过程控制（通过机器人或自动驾驶车辆）以及人机交互等。这些应用的发展主要得益于消费设备中数字图像传感器的普及，如手机，以及计算机处理能力的不断提升，使得图像处理算法能够更快地执行。

在深入探讨图像分类之前，有必要区分对象分类与其他类似但不同的任务，如对象识别、基于内容的图像检索和对象检测。对象分类是将图像中的对象与正确的标签关联起来；对象识别是识别特定的对象实例；基于内容的图像检索主要处理低级图像特征，可能不够精确；对象检测通常专注于单个视觉类别。

2. 特征提取与描述

特征提取是在图像中定位感兴趣点的方法，这些点可添加到数据库中以便后续识别对象。特征描述则是描述数据库中定位点邻域的方法。在比较各种特征提取和描述方法时，有两种方法在实时处理方面表现出色：一种是 Mikolajczyk 和 Schmid 提出的仿射不变兴趣点检测器，另一种是 Lowe 提出的尺度不变特征变换（SIFT）。

2.1 仿射不变兴趣点检测器

该检测器基于 Harris - Laplace 检测器，它仅对尺度变化具有不变性。其工作流程如下：
1. 找到点 x(k) 上 LoG（Laplacian - of - Gaussian）滤波器在尺度上的局部极值 σ，否则拒绝该点。研究的尺度范围限制为 σ(k + 1) = tσ(k)，其中 t ∈ [0.7, 1.4