基于最大频繁项集的图像分类技术

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (23): 181-184.

基于最大频繁项集的图像分类技术

朱书眉，王诚

南京邮电大学通信与信息工程学院，南京 210003

出版日期:2016-12-01 发布日期:2016-12-20

Image categorization based on maximum frequent item-sets

ZHU Shumei, WANG Cheng

College of Telecommunications & Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China

Online:2016-12-01 Published:2016-12-20

摘要/Abstract

摘要： 针对传统视觉词袋（Bag Of Visual Words，BOVW）模型缺少空间信息，且不能充分表达图像所属类别共有特征的问题，提出一种基于最大频繁项集的视觉词袋表示方法。该方法在排除孤立特征点的基础上，引入环形区域划分的思想，嵌入更多的空间信息。通过对不同环的视觉单词进行频繁项挖掘得到新的视觉单词表示，能有效提高同类别图像视觉单词的相似程度，而使不同类别视觉单词的差异更为显著。通过在图像数据集COREL及Caltech-256上进行分类实验，验证了该方法的有效性和可行性。

关键词: 图像分类, 视觉单词, 最大频繁项集

Abstract: An improved Bag Of Visual Words（BOVW） representation algorithm based on maximum frequent item-sets is proposed. Isolated points are ruled out and an efficient mining of maximum frequent item-sets based on annular region division is used to find visual words occurring frequently. The proposed algorithm highlights the differential features between different categories and spatial information is contained. In comparison, traditional BOVW could not fully express image common characteristics on one category. Experimental results on COREL and Caltech-256 database demonstrate the effectiveness and feasibility of proposed algorithm.

Key words: image categorization, visual words, maximum frequent sets

朱书眉，王诚. 基于最大频繁项集的图像分类技术[J]. 计算机工程与应用, 2016, 52(23): 181-184.

ZHU Shumei, WANG Cheng. Image categorization based on maximum frequent item-sets[J]. Computer Engineering and Applications, 2016, 52(23): 181-184.

[1]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[2]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[3]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[4]	刘锐，丁辉，尚媛园，邵珠宏，刘铁. COVID-19医学影像数据集及研究进展[J]. 计算机工程与应用, 2021, 57(22): 15-27.
[5]	顾上航，张利军，郭越超，徐勇. 基于无效卷积核权值回退的神经网络优化方法[J]. 计算机工程与应用, 2021, 57(22): 86-91.
[6]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[7]	舒乐，戴佳筑. 基于通用对抗扰动的图像验证码保护方法[J]. 计算机工程与应用, 2021, 57(18): 135-141.
[8]	李国强，徐立庄. 局部感受野的宽度学习算法及其应用[J]. 计算机工程与应用, 2020, 56(9): 162-167.
[9]	程文娟，陈文强. 基于MCFFN-Attention的高光谱图像分类[J]. 计算机工程与应用, 2020, 56(24): 201-206.
[10]	赵丽萍，袁霄，祝承，赵晓琦，杨仕虎，梁平，鲁小丫，谭颖. 面向图像分类的残差网络进展研究[J]. 计算机工程与应用, 2020, 56(20): 9-19.
[11]	李华，杨嘉能，刘凤，南方哲，钱育蓉. 基于深度学习的乳腺癌病理图像分类研究综述[J]. 计算机工程与应用, 2020, 56(13): 1-11.
[12]	史晓洁，杨有龙. 基于和积网络的花朵图像分类研究[J]. 计算机工程与应用, 2019, 55(8): 151-156.
[13]	陈方杰，李吉明，杨东勇. 基于生成对抗网络的高光谱图像分类[J]. 计算机工程与应用, 2019, 55(22): 172-179.
[14]	高建军，卿粼波. 基于图像的社会关系识别研究综述[J]. 计算机工程与应用, 2019, 55(21): 36-45.
[15]	彭媛，段先华，王万耀，鲁文超. 基于多线索特征融合的图像分类方法[J]. 计算机工程与应用, 2019, 55(20): 164-169.