字典重建|特征选择与图像拼接

2018 年 5 月 30 日 中国图象图形学报

往期精选

论文写作|优秀论文发表之必备条件

文物修复|青铜器纹饰特征增强及自动提取

AI|自适应的线条画绘制

推荐|ACM SIGMOD中国新星奖和中国优博将推荐启动了

封面故事|内容感知图像缩放

深度学习|海马子区图像分割

导语

        在背景复杂的图像中提取SIFT特征时,经常出现特征相互重叠且成簇的现象,怎么才能在精简并消除冗余特征的同时,还能够保留最具表现力的,并保留原始空间结构性的SIFT特征描述子呢???

        快来阅读这篇文章吧~

题目:字典重建和空间分布关系约束下的特征选择与图像拼

作者:于邓,刘玉杰,隋国华,陈晓明,李宗民,范建平

单位:中国石油大学(华东)计算机与通信工程学院

来源:《中国图象图象学报》2018年第5期

DOI10.11834/jig.170461

原文链接

http://www.cjig.cn/html/jig/2018/5/weixin/20180508.htm

本文亮点

     1. 本文算法引入熵理论,即熵空间分布约束来描述SIFT特征的空间分布并给出特征点位置的预测,保证选择出的特征点集合与原始的SIFT特征点集合能维持相同的空间分布。

     2. 提出了一种新的机制:将SIFT的特征选择问题转化为一个优化任务,进而把该优化任务转换到基于稀疏表示的字典重建领域中求解,同时探究了该机制的可行性与内在的关联性。

专家推荐

        本文采用字典学习进行特征选择, 引入熵的概念,用来描述特征点的空间位置分布,熵越大,分布越均匀。在筛选sift特征点的过程中,增加熵的约束使得典型特征点分散地分布在图像的各个位置,具有一定的创新性。

方法实现

实验发现了特征选择和字典学习方法在稀疏表示方面的内在联系,将特征选择问题转化为字典重构任务

在SIFT特征选择问题中,为了保证特征空间中特征的鲁棒性,设计了新型的字典学习模型,并采用模拟退火算法进行迭代求解

在字典学习的过程中,加入熵理论来约束特征的空间分布,使学习到的特征描述子能最大限度保持原始SIFT特征空间的空间拓扑关系

结果结论

       在公开数据集Holiday大型场景图片检索数据库上,通过与国际公认的特征选择方法进行实验对比,本文提出的特征选择方法在节省内存空间和提高时间效率(30%~ 50%)的同时,还能保证所筛选的特征描述子的检索准确率比同类特征提高8%~ 14.1%;在国际通用的大型场景图片拼接数据库IPM上,验证本文方法在图像拼接应用中特征提取和特征匹配上的有效性,实验表明本文方法能节省(50% ~70%)图像拼接时间。

       与已有的方法比较,本文的特征选择方法既不依赖训练数据集,也不丢失重要的空间结构和纹理信息,在大型图像检索、图像拼接领域和3D检索领域中,能够精简特征,提高特征匹配效率和准确率。

引用格式

Yu D, Liu Y J, Sui G H, et al.Feature selection and image stitching based on dictionary reconstruction and spatial distribution[J].Journal of Image and Graphics,2018,23(5):698-707.

于邓,刘玉杰,隋国华,等.字典重建和空间分布关系约束下的特征选择与图像拼接[J].中国图象图象学报,2018,23(5):698-707.

DOI:10.11834/jig.170461

前沿丨观点丨咨讯丨独家

扫描下方二维码 关注学报公众号

中国图象图形学报 | 订阅号


登录查看更多
0

相关内容

特征选择( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ),或属性选择( Attribute Selection )。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化,是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。对于一个学习算法来说,好的学习样本是训练模型的关键。
基于改进卷积神经网络的短文本分类模型
专知会员服务
24+阅读 · 2020年7月22日
【经典书】机器学习:贝叶斯和优化方法,1075页pdf
专知会员服务
388+阅读 · 2020年6月8日
【人大】图实现算法综述与评测分析
专知会员服务
37+阅读 · 2020年4月28日
专知会员服务
41+阅读 · 2020年2月20日
实战 | 相机标定
计算机视觉life
15+阅读 · 2019年1月15日
数字图像处理中的噪声过滤
AI研习社
8+阅读 · 2018年9月12日
机器学习(33)之局部线性嵌入(LLE)【降维】总结
机器学习算法与Python学习
7+阅读 · 2017年12月21日
基于聚类和决策树的链路预测方法
计算机研究与发展
8+阅读 · 2017年8月25日
手把手教你用LDA特征选择
AI研习社
12+阅读 · 2017年8月21日
Foreground-aware Image Inpainting
Arxiv
4+阅读 · 2019年1月17日
Arxiv
4+阅读 · 2018年10月31日
Feature Selection Library (MATLAB Toolbox)
Arxiv
7+阅读 · 2018年8月6日
Arxiv
3+阅读 · 2018年4月10日
Arxiv
3+阅读 · 2018年2月12日
VIP会员
相关资讯
实战 | 相机标定
计算机视觉life
15+阅读 · 2019年1月15日
数字图像处理中的噪声过滤
AI研习社
8+阅读 · 2018年9月12日
机器学习(33)之局部线性嵌入(LLE)【降维】总结
机器学习算法与Python学习
7+阅读 · 2017年12月21日
基于聚类和决策树的链路预测方法
计算机研究与发展
8+阅读 · 2017年8月25日
手把手教你用LDA特征选择
AI研习社
12+阅读 · 2017年8月21日
Top
微信扫码咨询专知VIP会员