基于局部特征和视皮层识别机制的图像分类

吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (05): 1401-1406.

基于局部特征和视皮层识别机制的图像分类

刘萍萍^1,2,赵宏伟^1,2,耿庆田¹,戴金波¹

1.吉林大学计算机科学与技术学院,长春 130012； 2.吉林大学符号计算与知识工程教育部重点实验室,长春 130012

收稿日期:2009-08-31 出版日期:2011-09-01 发布日期:2011-09-01
通讯作者: 赵宏伟(1962-),男,教授,博士生导师.研究方向:智能信息系统与嵌入式技术. E-mail:zhaohw@jlu.edu.cn
作者简介:刘萍萍(1979-),女,讲师,博士.研究方向:智能信息系统与嵌入式技术.E-mail:liupp@jlu.edu.cn
基金资助:
高等学校博士学科点专项科研基金项目（20050183032）;吉林省教育厅科学基金项目（2009604）.

Image classification method based on local feature and visual cortex recognition mechanism

LIU Ping-ping^1,2, ZHAO Hong-wei^1,2, GENG Qing-tian¹, DAI Jin-bo¹

1.College of Computer Science and Technology, Jilin University, Changchun 130012, China;2.Key Laboratory of Symbolic Computation and Knowledge Engineering for Ministry of Education, Jilin University, Changchun 130012,China

Received:2009-08-31 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要：

提出了一种新的图像分类方法,采用层次结构模拟视皮层各区细胞功能,利用Gabor滤波器提取初级图像特征,经过稀疏化处理后进行中间层模板匹配提取尺度和位置的不变性特征,最后提交给分类网络。仿真实验表明,本文采用的层次化特征提取方法在分类任务中优于经典的局部特征方法（SIFT）,与其他图像分类方法相比,本文的方法在少量训练样本下,在多个数据集中可获得优良的测试效果,具有较高的实用价值。

关键词: 计算机应用, 图像分类, 物体识别, 局部特征, 视皮层

Abstract:

A new feed forward hierarchy image classification method is proposed, which is based on the latest neurophysiological findings about cortex recognition and local feature method. The proposed method concentrates on feature specificity and invariance. First, the normalized input image is decomposed by convolving the image with multi-scale and multi-orientation Cabor filters to extract the corresponding elementary tuning features. Then sparse features are obtained by Center-Symmetric Local Binary Pattern (CS-LBP) algorithm. Internal templates and global max pooling operation are used to get scale invariance and position invariance. The hierarchy feature processing outperforms pure local feature representation, like Scale Invariant Feature Transform (SIFT), in image classification experiment. Moreover, the proposed method is competitive with current computer vision algorithm on Caltech 256 object categories. The results strengthen the case for using this bionic method in image classification and more general visual category appliance.

Key words: computer application, image classification, object recognition, local feature, visual cortex

中图分类号:

TP391.4

刘萍萍^1,2,赵宏伟^1,2,耿庆田¹,戴金波¹. 基于局部特征和视皮层识别机制的图像分类[J]. 吉林大学学报(工学版), 2011, 41(05): 1401-1406.

LIU Ping-ping, ZHAO Hong-wei, GENG Qing-tian, DAI Jin-bo. Image classification method based on local feature and visual cortex recognition mechanism[J]. 吉林大学学报(工学版), 2011, 41(05): 1401-1406.

参考文献

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed