使用高斯和非参数内核构建图像分类方法

【摘要】 随着机器学习和图像处理技术的快速发展，急需这些基本技术的结合来构建图像分类方法。在本文的研究中，我们采用高斯和非参数内核分析进行深入研究，根据内核的性能提出了模拟和实际数据集。通过优化分析和实验模拟表明， 在图像分类任务中内核能够实现性能匹配。

【关键字】 图像分类 高斯内核 非参数内核

一、概述

在计算机视觉中，图像是无序的，对象的形状可以用在边缘局部的描述符号集来表示，因此图像的存储、表示和检索的方法显得尤为重要。近年来，许多在线系统都在开发存储、管理和共享图片的服务，可以对图像进行分类来正确使用这些服务[1]。处理这些常见的方法是使用高维直方图，并通过一些适当的目标比较直方图，一个有效的方法是通过使用图片类。如果两个图像共享一组类似的类成员，我们可以认为它们是一对类似的图像。因此我们使用类会员来构造新的图像分类的表示方法[2]。基于这种新的方法，我们可以从一个图像数据库检索获得一个精确的图像。高斯内核结合非参数内核分类器就是用来测量图像的一个特殊的类成员。

二、研究方法

高斯内核方法的概述和框架如图1所示。我们首先从互联网下载许多不同类型的图像，然后使用one-against-all规则训练分类器，对于支持单独向量的每个类与其他类的图像给定一个测试图像，我们将支持向量机（SVM）分类器应用于计算响应，然后响应向量作为新的输入。最后， 使用响应向量之间的欧氏距离来区别不同的图像[3]。

三、总结

在本文中，我们提出使用新的内核分类器方法来表示图像。如果他们的分类器是相似的，两张图片可以被认为是类似于的。我们开发了一个快速和有效的迭代算法来训练内核分类器训练图像数量。实验分析说明了方法的有效性。

参 考 文 献

[1] Chen， Zhihua， et al. "Kernel sparse representation for time series classification." Information Sciences 292 （2015）： 15-26.

[2] Fernandez-Lozano， Carlos， et al. "Texture classification using feature selection and kernel-based techniques." Soft Computing （2015）： 1-12.

[3] Haoxiang Wang. “An Effective Image Representation Method Using Kernel Classification”.

[4] Póczos， Barnabás， et al. "Nonparametric kernel estimators for image classification." Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012.

[5] Maldonado， Sebastián， Richard Weber， and Jayanta Basak. "Simultaneous feature selection and classification using kernel-penalized support vector machines." Information Sciences 181.1 （2011）： 115-128.

[6] Chen， Yi， Nasser M. Nasrabadi， and Trac D. Tran. "Hyperspectral image classification via kernel sparse representation." Geoscience and Remote Sensing， IEEE Transactions on 51.1 （2013）： 217-231.