廖 亮， 杨程凯

(中原工学院 电子信息学院， 河南 郑州 451191)

基于图像边缘位移的有监督的稀疏表示分类方法

廖 亮， 杨程凯

(中原工学院 电子信息学院， 河南 郑州 451191)

稀疏表示分类算法在有监督的图像识别上有广泛的应用.该分类算法的准确度与训练样本个数有很大的关联.通常训练样本越充分，则该算法分类准确率越高，然而遇到小样本问题时，该算法分类准确率会明显降低.针对小样本问题，提出使用基于图像边缘位移的方法，得到和原始训练图像样本高度相关的新样本，达到扩充训练样本容量的目的，进而提高算法的分类准确率.同时，对于带仿射约束的稀疏表示分类算法，也可以经过图像边缘位移方法来提高分类准确率.实验结果证明，所用方法能够取得较好的图像识别效果.

图像分类；稀疏表示；训练样本；仿射约束

0 引 言

在近年来的机器视觉领域中，有监督的图像分类技术(SupervisedImageClassification，SIC)一直是该领域关注的热点[1].该技术针对目标图像，利用提取的有效图像特征，通过匹配已知训练集的图像信息，寻找出与测试图像最相近的训练图像所在的类，从而达到图像分类的目的[2].现有的多数有监督的图像分类算法的分类准确率和训练样本个数有非常密切的关系.一般情况下，只有足够多的样本才能够获得较好的分类准确率.目前，稀疏表示分类算法(SparseRepresentation-basedClassifier,SRC)[3]是比较有效的图像识别算法之一.它利用所有训练样本，对待测试样本进行线性表……