Resumen

Los modelos convencionales de clasificación de imágenes comúnmente adoptan un único vector de características para representar contenidos informativos. Sin embargo, un sistema de características de imagen único apenas puede extraer la totalidad de la información contenida en las imágenes, y los métodos de codificación tradicionales tienen una gran pérdida de información de características. Con el objetivo de resolver este problema, este artículo propone un modelo de clasificación de imágenes basado en la fusión de características. Este modelo combina el algoritmo de análisis de componentes principales (PCA), el transformador de características invariante a la escala procesada (P-SIFT) y características de denominación de color (CN) para generar factores de representación de imágenes mutuamente independientes. En la etapa de codificación de la característica transformada invariante a la escala (SIFT), se utiliza el modelo de bolsa de palabras visuales (BOVW) para la reconstrucción de características. Simultáneamente, con el fin de introducir la información espacial a nuestras características extraídas, se introduce el método de mapeo piramidal espacial invariante a la rotación

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Modelos de clasificación de imágenes; Fusión de características; Análisis de componentes principales; Transformada de características invariante a la escala; Denominación de colores; Máquina de vectores de soporte
• Keywords:Image classification models; Feature fusion; Principal component analysis; Scale invariant feature transform; Color naming; Support vector machine