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(jì)算機(jī)技術(shù)的迅速發(fā)展，紋理分類在醫(yī)療、衛(wèi)星、機(jī)器人等多個(gè)領(lǐng)域發(fā)揮越來(lái)越重要的作用，這些應(yīng)用涉及到人們生活中的各個(gè)方面。作為計(jì)算機(jī)視覺領(lǐng)域圖像分類任務(wù)中的研究重點(diǎn)，紋理分類一直以來(lái)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(jì)一個(gè)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(qiáng)的表達(dá)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(gè)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(yùn)用于圖像分類、圖像檢索以及語(yǔ)義分割等領(lǐng)域，并獲得了很好的效果?，F(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(jì)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(dá)，同時(shí)廣泛評(píng)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(jí)語(yǔ)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(jì)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(píng)估多種圖像特征對(duì)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(duì)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(gè)混合高斯模型中各個(gè)分量高斯之間的距離測(cè)度是度量算法的關(guān)鍵，然而這個(gè)問題依舊是一個(gè)困難且開放性的問題。本文首次將現(xiàn)有的距離測(cè)度系統(tǒng)地分為了兩大類:基于概率統(tǒng)計(jì)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?；诜治霾煌嚯x測(cè)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(jìn)的高斯嵌入距離(IGE)，提高了分類準(zhǔn)確率的同時(shí)驗(yàn)證了本文的重要結(jié)論。
　　本文在多個(gè)具有挑戰(zhàn)性的紋理圖像庫(kù)上評(píng)估了本文的方法，包括KTH-TIPS-2b、FMD和UIUC Material。實(shí)驗(yàn)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(qiáng)的表達(dá)能力。同時(shí)，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(kù)上都得到了非常有競(jìng)爭(zhēng)力的分類結(jié)果。除此之外