论文部分内容阅读
图像分类是计算机视觉的基础问题。随着移动互联网时代的普及,越来越多的移动设备、可穿戴设备被要求用于图像分类功能。如何在计算资源有限、空间资源有限的设备上进行图像分类具有很迫切的现实需求,本文对此做了相关的研究工作。图像特征提取会产生大量的高维特征数据,这会对系统空间存储造成压力。常规的解决方法是将图像交由服务器进行特征提取。但是对于部分特殊应用场景如手机相册分类,我们不能违反用户隐私将用户照片进行上传至服务端,我们只能依靠客户端进行特征提取。另外传统特征降维方法虽然减少了特征数据量,但同时会改变图像特征原本的属性,造成特征信息损失。为了更好的解决这类问题,本文提出了基于压缩感知特征压缩编码的图像分类方法,具体有:一、提出基于压缩感知的SIFT特征压缩编码算法。该算法首先对SIFT特征进行压缩感知信号重构将其转换为高维稀疏信号,然后利用高维信号的稀疏性进行压缩编码,最终将SIFT特征压缩为低维的数据表示。该算法可通过解压缩将原有的特征信息进行恢复。相对于特征降维转变特征性质且无法恢复,本算法能保留更多的特征信息。二、为了减少特征压缩时间,本文提出新的压缩感知重构算法:阈值自适应分段正交匹配追踪(TaStOMP)算法。TaStOMP算法在每次迭代过程中根据残差自适应设置门限阈值,通过门限阈值在一次迭代过程中更新多个支撑原子加快收敛速度。实验结果表明,基于TaStOMP算法的SIFT特征压缩编码算法相比于其他压缩感知重构算法的特征恢复准确性更高,特征压缩时间更少。三、结合压缩感知特征压缩编码算法优化传统图像分类流程,在图像特征提取阶段对图像特征进行“边提取边压缩”,避免特征文件序列化再压缩过程,能大幅度减少特征存储空间。实验数据表明,该方法在将图像特征数据压缩为原来的40%的同时依然保持原来的图像分类准确精度。