基于混合高斯模型匹配的紋理分類研究.pdf

1、隨著人工智能與計算機技術(shù)的迅速發(fā)展，紋理分類在醫(yī)療、衛(wèi)星、機器人等多個領(lǐng)域發(fā)揮越來越重要的作用，這些應(yīng)用涉及到人們生活中的各個方面。作為計算機視覺領(lǐng)域圖像分類任務(wù)中的研究重點，紋理分類一直以來受到了眾多研究者的關(guān)注。區(qū)別于一般圖像的分類問題，紋理分類處理的圖像更加具體，這使得不同紋理圖像之間的類間差異較小。由于尺度、角度、光照的變化，同類紋理圖像之間的類內(nèi)差異比較大。以上這些因素使得設(shè)計一個魯棒的紋理分類方法極具挑戰(zhàn)性。
　　由于

2、混合高斯模型(GMM)具有較強的表達能力，因此被廣泛地用于建模圖像特征，特別是用于建模紋理圖像?；贕MM圖像建模的紋理分類方法已經(jīng)在性能方面展示出了它的優(yōu)越性。該類方法主要包括兩個關(guān)鍵的組成部分:圖像的特征提取和GMM之間的距離度量。眾所周知，圖像特征描述子在圖像分類問題中扮演著至關(guān)重要的角色。隨著深度學(xué)習(xí)的崛起，深層卷積神經(jīng)網(wǎng)絡(luò)（CNN）廣泛地運用于圖像分類、圖像檢索以及語義分割等領(lǐng)域，并獲得了很好的效果。現(xiàn)有的基于GMM建模表示圖

3、像的方法中，特征提取階段往往都是使用傳統(tǒng)的基于手工設(shè)計的特征。受到卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用的啟發(fā)，本文首次提出了基于深層卷積神經(jīng)網(wǎng)絡(luò)特征的GMM建模用于圖像表達，同時廣泛評估并分析了多種圖像特征描述子的分類性能，包括兩種基于深層CNN的高級語義特征以及五種廣泛應(yīng)用于紋理圖像分類的基于手工設(shè)計的特征—灰度特征、Gabor特征、LBP、SIFT和協(xié)方差描述子。值得一提的是，評估多種圖像特征對基于GMM建模的紋理分類方法的影響在本文工作之前并沒有

4、得到充分的研究。對于建模之后的GMM之間的度量，本文采用了高效且魯棒的基于稀疏表示的推土距離（SR-EMD）算法。在SR-EMD算法中，兩個混合高斯模型中各個分量高斯之間的距離測度是度量算法的關(guān)鍵，然而這個問題依舊是一個困難且開放性的問題。本文首次將現(xiàn)有的距離測度系統(tǒng)地分為了兩大類:基于概率統(tǒng)計的距離度量和基于黎曼流形結(jié)構(gòu)的距離度量，并分析研究了這些距離之間的差異和聯(lián)系。基于分析不同距離測度之間的關(guān)系，并受到高斯嵌入距離(GE)和基于李

5、群的距離(PLG)的啟發(fā)，本文提出了一種改進的高斯嵌入距離(IGE)，提高了分類準確率的同時驗證了本文的重要結(jié)論。
　　本文在多個具有挑戰(zhàn)性的紋理圖像庫上評估了本文的方法，包括KTH-TIPS-2b、FMD和UIUC Material。實驗結(jié)果表明:本文提出的基于深層卷積神經(jīng)網(wǎng)絡(luò)特征建模的GMM具有非常強的表達能力。同時，利用基于深層CNN特征的GMM和本文提出的距離度量的方法在所有紋理庫上都得到了非常有競爭力的分類結(jié)果。除此之外