场景图像的分类作为机器视觉最常见的图像识别任务之一,旨在通过提取并分析图像中特征,将相似内容的图像分到同一类别。对于计算机而言,输入的图像是数字矩阵的形式,如何对庞大的数字信息提取有用的特征用来区分场景中的内容成为计算机“数字存储相似性”和人理解的“概念和内容相似性”间的鸿沟。因此,计算机在处理场景图像时,尝试模拟人类视觉识别原理,关注场景图像的多层特征,包括底层像素级特征、中层的量化编码特征、高层语义的目标属性特征。其中,底层特征是图像内容理解的基础,目标属性特征是场景中包含语义的对象,而中层特征是建立这两者特征表示的桥梁。建立多层次特征表示方法,挖掘各层视觉特征之间的联系,使多层次特征表示相互补充、增强,更好地解释场景的内容并高效识别场景图像类别。本文主要研究内容如下:(1)研究一种快速局部约束低秩编码的图像分类算法。该方法采用低秩编码对SIFT特征进行联合编码;考虑到局部描述子间的空间上下文关联性,在传统的低秩编码方法中加入局部约束正则化项;并采用F-范数替代核范数的优化方法解决现有低秩优化计算量大且耗时等问题。具体地,该方法首先对SIFT特征进行快速局部约束低秩编码得到编码矩阵,并经过池化和空间金字塔匹配处理,最后根据训练样本类别标签和特征表示矩阵,学习SVM分类器,实现对未知图像的分类。(2)研究一种基于多层次特征级联表示的场景分类算法。基于低秩编码的中层特征表示是对底层描述子的量化,寻找描述子间的各种关联性;另外,场景图像不同区域之间也呈现各种整体布局关系,这些特征表征在高层的目标对象中。所以,该方法首先采用Object Bank方法来表示目标对象语义特征,学习场景主题SVM分类模型,得到场景图像的粗理解,将包含相似目标对象的场景类归为同一场景主题。然后基于上述中层特征的编码方法,分别在同一场景主题中对各类场景图像的SIFT特征进行局部约束低秩编码,学习单SVM分类器,用来细分同一场景主题中的各场景类。这种由高层特征和中层特征组成的多特征级联表示方法,将对象特征的粗理解与中层细节特征的详细解析有效结合,实现各种特征层层递进和相互补充的表示。本文采用Matlab仿真软件与LibSVM工具包,在经典场景分类数据库上进行仿真验证,从平均分类精度和计算时间两方面对算法进行评价。实验结果表明快速局部约束的图像分类算法比经典算法计算量明显减少,而且有较好的分类精度;在此基础上,多层次特征级联表示的场景分类算法的分类效果有更进一步的提高。