江南大学物联网技术应用教育部工程研究中心, 江苏 无锡 214000
针对传统物体形状分类算法中图像的空间结构特征表示不够准确,以及分类器模型参数易陷入局部最优的问题,提出结合重叠金字塔与贝叶斯优化神经网络的物体形状分类方法。首先,将物体轮廓分割为不同长度的轮廓片段作为形状的基本特征,并用局部线性编码器对其编码;然后,使用提出的空间重叠金字塔模型,将图像表示为空间金字塔直方图向量;最后,使用贝叶斯优化的前馈神经网络分类器对得到的图像表达进行分类。在常用的Animal标准图像库上实验证明,本文方法可以完整记录形状的内容和结构信息,与轮廓片段包算法相比,准确度提高了1.4%。
图像处理 形状分类 贝叶斯优化 重叠金字塔 前馈神经网络 激光与光电子学进展
2018, 55(6): 061011
江南大学物联网工程学院, 江苏 无锡 214122
为解决传统物体形状分类方法存在训练时间长以及形状描述不准确的问题, 提出一种基于改进贝叶斯程序学习的图像分类方法。先将物体轮廓进行预处理并分割为长度固定的轮廓片段, 使用形状描述符记录其形状信息, 然后采用高斯混合模型对同一类物体的轮廓片段集训练出轮廓片段库, 最后从测试图像的轮廓上均匀提取10个轮廓片段作为测试样本的解析, 使用贝叶斯分类器计算样本解析与每类轮廓片段库中轮廓片段的拟合相似度, 以其相似度值最高的类作为分类结果。在标准数据库Animal上的实验结果表明, 本文方法具有较高的分类精度, 同时大幅度缩短了训练时间。
机器视觉 形状分类 贝叶斯程序学习 高斯混合模型 轮廓片段库 形状描述符 激光与光电子学进展
2017, 54(12): 121504
