刘 琦，梁 鹏， 周毅书， 张海涛， 周剑雄

(1.中国移动南方基地，广东 广州 510640; 2. 广东技术师范学院 计算机科学学院，广东 广州 510665)

基于软加权映射的局部聚类向量表示方法

刘 琦1，梁 鹏2， 周毅书1， 张海涛1， 周剑雄1

(1.中国移动南方基地，广东 广州 510640; 2. 广东技术师范学院 计算机科学学院，广东 广州 510665)

基于特征码本的图像分类方法依赖于需要特征向量与聚类中心之间的映射，然而硬加权映射方法导致了相似的特征向量被映射为不同的聚类中心，从而降低了分类的查全率。为此提出一种基于软加权映射的局部聚类向量表示方法。该方法首先用k均值算法将特征向量聚类为k个聚类中心，采用最近邻算法寻找最接近的s个聚类中心，通过特征向量与聚类中心之间的相似度和邻近程度构建软加权映射的局部聚类向量，然后统计特征直方图，最后用主成分分析减少特征直方图维度。实验结果分析表明，相比较硬加权映射方法，文中方法提高了约5%的分类准确率。

软加权映射; 图像分类; 特征码本; 主成分分析

0 引言

复杂纷乱的背景、局部遮挡和几何变化给目标图像分类带来了应用上的困难，因此词包模型分类方法得到了广泛的应用。如图1所示，词包模型是基于特征聚类得到的，即对特征向量进行聚类量化得到多个聚类中心，所有的聚类中心组成一个特征码本，特征向量与聚类中心之间的映射称为特征量化。

图1 词包模型表示示意图

特征向量可以选择角点或者SIFT特征、SURF特征等，近期这方面的工作可参见文献[1-3]等。……