基于特征學習的場景圖像分類和艦船識別研究.pdf

1、隨著圖像成像技術的發(fā)展，圖像的空間分辨率不斷提升，使得圖像中包含大量的信息，能夠呈現(xiàn)更多的細節(jié)信息，例如空間布局和紋理結構信息。這對于識別圖像中的內容有很大的幫助。然而，圖像具有表征維度較高、數(shù)據(jù)結構復雜以及冗余信息較多等特點，對其直接進行處理具有很大的困難。因此，需要先通過各種特征學習的方法對原始圖像進行準確有效的表示，為后續(xù)的識別和分類提供判別性較高的圖像特征表示。本文針對遙感場景圖像和光學艦船圖像的特征學習進行了研究，主要研究內容

2、總結如下:
　　第一，在大量文獻調研的基礎上，闡述了對圖像進行特征學習的必要性，然后詳細介紹了目前計算機視覺領域空間特征學習常用的幾種全局特征和局部特征。
　　第二，針對遙感場景圖像分類，提出了一種基于分塊的多尺度完全局部二值模式（Multi-scale Completed Local Binary Patterns，MS-CLBP）和費舍爾向量(Fisher Vector,FV)的局部特征表示。用MS-CLBP算子在分塊的

3、密集區(qū)域上提取一組局部描述符，然后用費舍爾核函數(shù)表達來編碼局部描述符，形成遙感場景圖像的判別的表達。把MS-CLBP的兩種實現(xiàn)方案融合到一個統(tǒng)一的框架中，構造了一個識別性更高的特征表示。在兩個公共基準遙感圖像數(shù)據(jù)集上進行實驗并獲得了優(yōu)越的分類性能
　　第三，針對艦船的外觀受到外部因素如照明或天氣狀況，觀察幾何條件和海面狀況的影響的現(xiàn)象，提出了一種多特征學習的方法，包括一個全局特征和兩個局部特征。在這個多特征學習框架中，同時研究了特