基于投影熵特征的图像识别算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2874-2877.

基于投影熵特征的图像识别算法

邵楠,张科

西北工业大学航天学院，西安 710072

收稿日期:2013-04-25 修回日期:2013-06-08 发布日期:2013-11-01 出版日期:2013-10-01
通讯作者: 邵楠
作者简介:邵楠（1989-），男，陕西西安人，硕士研究生，主要研究方向：图像处理、目标识别、计算机视觉；张科（1968-），男，江西樟树人，教授，博士生导师，主要研究方向：导航、制导与控制、图像处理。

Image recognition algorithm based on projection entropy

SHAO Nan,ZHANG Ke

College of Astronautics，Northwestern Polytechnical University，Xian Shaanxi 710072，China

Received:2013-04-25 Revised:2013-06-08 Online:2013-11-01 Published:2013-10-01
Contact: SHAO Nan

摘要/Abstract

摘要： 原始定义下的投影熵特征对于图像信息利用不够充分，而且对图像缩放变换不具有不变性，针对这两方面的不足，给出了扩展规范化投影熵特征的定义，并将规范化后图像的局部投影熵特征向量用于图像识别；在进行图像识别时，利用期望最大化(EM)算法得到训练集图像局部投影熵特征的混合高斯概率分布模型，求取目标图像的相应特征到各个混合高斯函数的Mahalanobis距离，根据距离判别法原理得到目标图像所属类别。实验采用哥伦比亚大学计算机视觉数据库中的图像对算法进行验证，结果表明该算法具有较好的识别效果和良好的并行运算特性

关键词: 图像识别, 投影熵, 混合高斯模型, 最大期望算法, 判别分析

Abstract: A method based on projection entropy for image recognition was introduced in this paper. Since original definition of projection entropy does not make full use of image information and is not scale invariant, a new definition was proposed. The Local Projection Entropy (LPE) of normalized image was used for image recognition. In the process of recognition, firstly, Gaussian Mixture Model (GMM) of training set images’ LPE was obtained by Expectation Maximization (EM) algorithm. Then the Mahalanobis distance of target image’s LPE and GMM was calculated. The category of image was determined according to the distance discriminant law. Computer vision laboratory databases of Columbia university were used in the experiments, and the results show that the proposed algorithm is an effective approach for image recognition and has a proper structure for parallel computing.

Key words: image recognition, projection entropy, Gaussian Mixture Model (GMM), Expectation Maximization (EM) algorithm, discriminant analysis

中图分类号:

TP391.41

邵楠张科. 基于投影熵特征的图像识别算法[J]. 计算机应用, 2013, 33(10): 2874-2877.

SHAO Nan ZHANG Ke. Image recognition algorithm based on projection entropy[J]. Journal of Computer Applications, 2013, 33(10): 2874-2877.

[1]	景维鹏, 肖庆欣, 罗辉. 基于概率球面判别分析的说话人识别信道补偿算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 556-562.
[2]	齐爱玲, 王宣淋. 基于中层细微特征提取与多尺度特征融合细粒度图像识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2556-2563.
[3]	葛孟婷, 万鸣华. 基于近邻监督局部不变鲁棒主成分分析的特征提取模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1013-1020.
[4]	欧莉莉, 邵峰晶, 孙仁诚, 隋毅. 基于半监督方法的脑梗死图像识别[J]. 计算机应用, 2021, 41(4): 1221-1226.
[5]	张凯悦, 张鸿. 基于注意力机制网络的航运监控图像识别模型[J]. 计算机应用, 2021, 41(10): 3010-3016.
[6]	刘颖, 刘玉霞, 毕萍. 基于边缘学习的低分辨率图像识别算法[J]. 计算机应用, 2020, 40(7): 2046-2052.
[7]	徐代, 岳璋, 杨文霞, 任潇. 基于改进的三向流Faster R-CNN的篡改图像识别[J]. 计算机应用, 2020, 40(5): 1315-1321.
[8]	傅泰铭, 陈燕, 李陶深. 基于线性分配的难负样本挖掘度量学习[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 352-357.
[9]	甘岚, 郭子涵, 王瑶. 基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法[J]. 计算机应用, 2019, 39(10): 2923-2929.
[10]	邱津怡, 罗俊, 李秀, 贾伟, 倪福川, 冯慧. 基于卷积神经网络的多尺度葡萄图像识别方法[J]. 计算机应用, 2019, 39(10): 2930-2936.
[11]	丁建立, 穆涛, 王怀超. 基于谱回归核判别分析的候机楼室内快速定位算法[J]. 计算机应用, 2019, 39(1): 256-261.
[12]	陶志勇, 刘晓芳, 王和章. 融合密度峰值的高斯混合模型聚类算法[J]. 计算机应用, 2018, 38(12): 3433-3437.
[13]	杨健, 周涛, 郭丽芳, 张飞飞, 梁蒙蒙. 基于布谷鸟搜索和深度信念网络的肺部肿瘤图像识别算法[J]. 计算机应用, 2018, 38(11): 3225-3230.
[14]	曹香滢, 孙卫民, 朱悠翔, 钱鑫, 李晓宇, 业宁. 基于科优先策略的植物图像识别[J]. 计算机应用, 2018, 38(11): 3241-3245.
[15]	孙念, 张毅, 林海波, 黄超. 基于多特征i-vector的短语音说话人识别算法[J]. 计算机应用, 2018, 38(10): 2839-2843.