基于Haar-CNN模型的自然场景图像分类的研究

• 作者: 傅莺莺 张慧娜 李裕梅
• 来源期刊: 四川师范大学学报(自然科学版)
• 学科: 工学
• 关键词: 图像分类 深度学习 Haar-CNN模型 颜色空间
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 基础理论
• 页码范围: 119-126
• 页数: 8页
• 分类号: TP391.9
• 字数: 5764字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-8395.2017.01.020

摘要

研究基于Haar-CNN模型的图像特征提取用于自然场景图像分类的问题.Haar小波变换是图像处理中常见的一种变换,可以提取图像的局部和空间信息,并把彩色图像的颜色、轮廓和纹理信息进行分层次的表达.卷积神经网络(CNN)是一种得到广泛研究与应用的深度学习模型,对图像特征具有很好的表达能力.基于Haar小波变换和CNN模型的优势,提出一种新的图像特征提取方法,即Haar-CNN模型;利用该模型提取得到图像更丰富的特征信息;然后比较基于Haar-CNN和CNN模型提取的自然场景图像特征在分类中的效果,探究Haar-CNN模型对于自然场景图像特征提取的优势.再对比在不同颜色空间上Haar-CNN模型对自然场景图像的分类效果,实验结果表明YCbCr颜色空间上的分类精度最高,为96.2%,比灰度图像的分类精度提高了7.8%.同时,进一步分析Haar-CNN模型中图像块大小、隐藏层神经元个数、池化区域大小、模型深度等参数对图像分类精度的影响,实验结果表明参数选择对图像分类很重要,合适的参数选择可以提高分类精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李裕梅	北京工商大学理学院	14	58	3.0	7.0
2	傅莺莺	北京工商大学理学院	15	131	4.0	11.0
3	张慧娜	北京工商大学理学院	5	12	1.0	3.0