徐盱衡，陈秀君

（西北工业大学 计算机学院，陕西 西安 710129）

图像特征的提取是整个分类算法流程的开始，图像特征的好坏，很大程度上影响着后续算法的区分力的高低。图像特征具有多样性，不同的图像目标往往在颜色、纹理、几何形状乃至提取的兴趣点等一种或若干种特征上具有很大差异，这就是图像分类算法能够具有区分能力的基础。

目前常用的特征点检测算法，能够有效地检测图像的特征，但是一幅图像中往往有多个目标，而且背景混乱、存在遮挡等问题导致图像信息复杂，对于分类任务来说，需要有效地鉴别出图像中的目标，最好将特征采样点尽可能的集中于期望得到分类的目标样本上。一个可能的途径就是先提取图像中感兴趣的区域（Region of Interest，ROI），再对这些区域进行特征采样。

图像分割为我们提供了一个连接图像低层和高层语义的工具，由图像分割得到的同一区域，具有特征上的相似性，而且有效的图像分割算法，能够最大限度地将目标和背景分割开来。如果要计算图像目标出现概率和特征的关系，可以考虑使用图像分割作为沟通目标和区域特征的桥梁。

文中基于文献[1]的方法做出了一些改进。文献[1]中基于以上思想及BoF框架提出的有偏采样方法在分割后对特征聚类之前采用了硬量化编码的方式，量化后编码不能有效反映图像区域特征，本文通过使用基于局部约束的线性编码方式[2]（Locality-constrained Linear Coding，LLC）替代硬编码，减少了量化误差。……