王 莉，龚文辉，李沁颖

(1.南昌交通学院，江西 南昌 330100；2.江西农业大学南昌商学院，江西 共青城 332020；3.江西师范大学，江西 南昌 330022)

1 引言

建立有效的自然图像生成模型是计算机视觉中的关键问题之一，其目的是通过根据潜在的自然图像分布来改变一些潜在参数，从而生成各种逼真的图像[1]。因此，需要一个理想的分类识别模型来捕获基础数据分布。但是细粒度图像样本的集合可能位于非常复杂的流形上，分类识别实现过程存在一定困难[2]，是现今图像处理领域的研究重点。

关于细粒度图像分类，汪荣贵等[3]提出一种深度迁移学习模型，将大规模有标签细粒度数据集上学习到的图像特征有效地迁移至微型细粒度数据集中。通过衔接域定量计算域间任务的关联度；根据关联度选择适合目标域的迁移特征；使用细粒度数据集视图类标签进行辅助学习，采用联合学习所有属性来获取更多的特征表示。但该方法迁移过程速率缓慢，计算效率有待优化。袁建平等[4]设计一个端到端的分类模型来解决细粒度图像分类问题，使用深度卷积神经网络获取图像视觉特征，并依据提出的端到端文本识别网络，提取图像的文本信息，使用相关性计算模块合并视觉特征与文本特征，传输至分类网络中。但该方法特征提取精度有待完善。

由此文章提出一种基于约束稀疏表达的细粒度图像分类识别方法。通过图像预处理防止无关信息干扰，提升分类效率，代入分布结构约束项构建约束稀疏表达分类模型，采用交替方向乘子法实施模型求解，获得高质量图像分类识别结果。……