基于特征表示的自适应纹理分类模型及算法研究

Texture classification has acquired a lot of research findings after decades, such as the classification based on the features extracted by the traditional texture feature descriptors. There are still some shortcomings in the existing methods. The traditional feature descriptors cannot reflect the characteristics of different data sets. They are hard to describe the inherent feature distribution of one data set. Besides, the classification algorithm can also be considered the adaptivity. Aiming at solving the above problems, this project will do intensive study key issues of learning main feature spaces of texture image, the adaptive texture classification model based on the local metric learning and their applications in the field of virus image classification. The main contribution includes: (1) Research the construction and representation of abstractive and structural feature spaces for texture image; (2) Propose an asymmetric local metric learning with PSD constraint for texture classification; (3) Virus image can be regarded as a typical texture image. We will classify them using the proposed method to achieve the goal of improving classification accuracy. In this project, we will dig up feature space of texture image based on feature learning and the model of texture classification. And explore whether this new method can break through the nonadaptive characteristic of the traditional feature extraction and classification algorithms in the field of texture classification or not.

经过近几十年的研究与发展，纹理分类已取得了大量的研究成果，如基于经典纹理特征提取算子所提特征进行分类等，但现有方法仍存在一些不足之处，传统特征提取算子不能充分反映不同数据的特性，难以描述数据固有特征分布规律，分类算法也可以多考虑自适应性。针对已有纹理分类模型与算法存在的问题，本项目拟深入研究纹理数据主要特征空间和基于局部度量学习的自适应纹理分类模型以及基于以上模型的病毒图像分类问题。重点为（1）研究适用于特定纹理图像的具有结构性 、抽象性的特征空间的构造与表示；（2）提出基于PSD约束的非对称局部度量学习分类模型；（3）针对病毒图像这类典型的纹理图像，采用本项目拟建立的模型对其分类，达到提高分类识别正确率的目的。本项目将充分挖掘基于特征表示思想的纹理图像主要特征空间学习和纹理分类的模型，以及探索新方法能否突破传统特征提取及分类算法在该领域面临的不具有自适应性的问题。

本项目以纹理数据分类问题为驱动，通过相关模型以及算法来完善自适应特征表示理论和建立相应的分类模型以及其相关应用三个方面的研究。针对低分辨率纹理图像，建立纹理图像数据主要特征空间，利用PCA的思想去自适应地学习滤波器系数并结合多尺度策略来表示低分辨率纹理图像的特征；进一步，为了得到更多更有效的信息，尝试进行超分辨率重建以期解决低分辨率纹理图像所含信息量不够的问题；此外，本课题还考虑了纹理图像具有较好的频率特征，从而结合Gabor变换的特性来构造了一个深度学习网络，从而达到对纹理图像进行有效特征表示的目的；针对分类模型，提出基于PSD约束下的局部度量学习的纹理分类模型，以及基于多度量学习思想的深度学习框架来解决小样本纹理图像分类问题；针对具体应用，除了项目申请书中提到的病毒图像分类，还包括病理图像分割，行人再识别，纺织图像疵点检测等，且都取得了较好的实验结果。