作为自动理解、识别,进而管理图像的方法,图像分类成为计算机视觉领域的重要议题。近年来,基于稀疏表达的图像分类表现出很好的前景。本文以稀疏表示在图像分类中的应用为课题,从改进字典学习和编码过程两个主要的方面,进行了研究。本文使用低秩稀疏矩阵分解处理图像的局部特征矩阵,得到其低秩部分和稀疏部分。前者表征了局部特征的同一性、相关性,后者表征了局部特征的差异性。对这两部分分别字典学习,然后把两部分字典合成一个字典,对原局部特征编码。实验证明,这种方式获得的字典更具有判别力,能够对原特征有更好的表达。传统的稀疏编码对局部特征独立处理,忽略了局部特征之间的相互关系,组稀疏编码使得组内的描述子有统一的稀疏模式。本文通过研究组稀疏编码,发现合理的分组对组稀疏编码很重要。只有使得相似的特征分为一组,才能减小类内差异,提高表达效果。基于此,论文用Ncut的方法分组,在聚类时考虑到描述子的空间邻域关系,尽可能的使得相似的局部描述子分为一组。组稀疏编码考虑了局部特征的关系,使得组内描述子有统一的模式,然而,组之间仍然是独立处理的。本文进一步考虑了组间关系,通过在组稀疏编码目标函数加入一个正则项,促使相似的组有相似的编码,保留了特征和其编码的相似一致性。算法进一步的减小了类内差异,增强了对图像的特征表达,提高了分类性能。