Resumen

Se propone un nuevo método de clasificación de escenas basado en la combinación de características locales de Gabor con un modelo de correspondencia de pirámides espaciales. En primer lugar, se extraen nuevos descriptores de características locales de Gabor a partir de parches de muestreo denso de imágenes de escenas. Estos descriptores locales se integran en un modelo de bolsa de palabras visuales (BOVW), que se combina con un marco de correspondencia de pirámide espacial. Los nuevos descriptores de características locales de Gabor tienen suficiente capacidad de discriminación para las regiones densas de las imágenes de la escena. A continuación, los vectores de características eficientes de las imágenes de la escena pueden obtenerse mediante el método de agrupación K-means y las estadísticas de palabras visuales. En segundo lugar, para reducir el tiempo de clasificación y mejorar la precisión, se aplica un método mejorado de análisis de componentes principales de kernel (KPCA) para reducir la dimensionalidad del histograma piramidal de palabras visuales (PHOW). Los componentes principales con mayor separabilidad entre clases se conservan en los vectores de características, que se utilizan para la clasificación de escenas mediante el método de máquina de vectores de soporte lineal (SVM). El método propuesto se evalúa en tres conjuntos de datos de escenas de uso común. Los resultados experimentales demuestran la eficacia del método.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:clasificación de escenas, método, características locales de Gabor, modelo de correspondencia de pirámide espacial, descriptores de características, parches de muestreo densos, imágenes de escenas, modelo de bolsa de palabras visuales (BOVW), marco de correspondencia de pirámide espacial, capacidades de discriminación, método de agrupación de K-means, estadísticas de palabras visuales, análisis de componentes principales de kernel (KPCA), reducción de la dimensionalidad, histograma piramidal de palabras visuales (PHOW), separabilidad entre clases, vectores de características, máquina de vectores de soporte lineal (SVM), evaluación, resultados experimentales, eficacia
• Keywords:scene classification, method, local Gabor features, spatial pyramid matching model, feature descriptors, dense sampling patches, scene images, bag-of-visual-words (BOVW) model, spatial pyramid matching framework, discrimination abilities, K-means clustering method, visual word statistics, kernel principal component analysis (KPCA), dimensionality reduction, pyramid histogram of visual words (PHOW), interclass separability, feature vectors, linear support vector machine (SVM), evaluation, experimental results, effectiveness