论文部分内容阅读
随着手机等移动端图像获取设备的不断升级与普及,图像数据逐渐成为人们日常获取信息的最主要来源。但是随着图像数据规模的日渐庞大,冗余信息也逐渐的充斥在人们的身边,导致人们搜索有用信息的难度越来越大,所以针对的图像的识别与自动分类具有越来越重要的意义。随着近些年来深度学习在图像分类中的应用越来越深入,越来越多优秀的基于深度卷积神经网络的图像分类结构取得了令人瞩目的成果,但是基于深度学习的图像分类方法,对大数据集比较依赖,导致图像分类过程中参数量计算量比较庞大,进而存在分类过程比较长以及分类器效率较低等问题。图像的分类过程最重要的两个部分为特征提取部分与分类器的设计部分:1.特征提取是一切图像分类任务的基础。研究高效的特征提取算法在图像领域至关重要,提取好的特征可以极大的提升图像分类的效果。2.分类器的设计直接决定图像分类结构的分类效果。综上,本文主要从特征提取角度和分类器的设计角度出发,解决分类过程较长以及分类器效率较低等问题,要研究工作如下:本文研究了主成分分析（Principal Component Analysis,PCA）对图像特征数据的降维原理、过程。然后针对在降维过程中面临的计算量过大导致的降维时间过程等问题,包括计算特征数据之间的协方差矩阵及其特征值和对应的特征向量计算,本文引入图像信息熵对PCA的降维过程进行优化:在PCA降维之前,首先利用图像信息熵对图像特征进行初筛,降低图像特征规模的同时减少图像的冗余信息,然后再对初筛后的特征进行进一步的降维。实验表明,优化后的PCA降维算法不仅可以大幅减少图像特征提取及选择的时间,还能在一定程度上提升了特征提取的特征质量。本文进一步研究了极限学习机（Extreme Learning Machine,ELM）作为卷积神经网络（Convolutional Neural Network Network,CNN）分类器的可行性与意义,进而针对目前深度学习在图像特征提取方面对特征的利用不完全的问题,提出了一种基于特征融合的极限学习机图像分类方法。混合模型利用CNN有效提取图像全局特征和SIFT局部特征进行融合,并对融合后的特征进行降维,同时利用ELM分类器快速高效的特点,使得两种方法能够协同工作。实验表明该算法既保证了分类精确度又大大缩短了深度学习算法的训练时间。