[发明专利]基于显著性指导非监督特征学习的图像分类方法

摘要

本发明公开了一种基于显著性指导非监督特征学习的图像分类方法，属于机器学习与计算机视觉领域。该图像分类方法包括显著性指导的像素点采集、非监督特征学习、图像卷积、局部对比归一化、空间金字塔池化、融合中央先验和图像分类。采用该分类方法，将显著性检测用于采集图像数据集中代表性的像素点，通过稀疏自编码这种非监督的特征学习方法训练代表性的像素点来获取高质量的图像特征。通过图像卷积操作获取训练集和测试集的特征，将卷积特征进行局部对比归一化和空间金字塔池化，将池化后的特征与中央先验特征进行融合，采用liblinear分类器对图像进行分类。此方法可获取高效而鲁棒的图像特征，能够显著提高多类图像的分类准确率。

主权项

一种基于显著性指导非监督特征学习的图像分类方法，其特征是，包括如下步骤：1)显著性指导的像素点采集：采用显著性检测算法对图像像素点进行采集，通过获取图像的显著图，采集到图像中具有代表性表示的像素点；2)非监督特征学习：采用稀疏自编码来训练代表性的像素点，获取图像特征；3)图像卷积：分别用图像数据集中训练样本和测试样本对步骤2)中的图像特征进行卷积操作；4)局部对比归一化：对步骤3)中获取的训练样本和测试样本的卷积特征进行局部减法和除法归一化；5)空间金字塔池化：从三个不同空间尺度对步骤4)中获取的卷积图像特征进行平均池化操作；6)融合中央先验：分别计算图像数据集中训练样本和测试样本的中央先验值，将该值与步骤5)多尺度池化特征分别进行融合操作；7)图像分类：用步骤6)中所获训练样本的特征值来训练分类器，将步骤6)中所获训练样本的特征值输入已训练的分类器中实现图像分类。