1、詞袋模型在圖像分類領(lǐng)域中的分類效果主要受限于局部特征的量化誤差。針對這一點(diǎn)，本文提出一種基于多尺度全局編碼圖像分類方法，有效減少特征量化誤差。文中通過使用多尺度特征密集采樣，構(gòu)建多尺度碼本，使碼本具備一種層次結(jié)構(gòu)，通過充分利用圖像特征的流形結(jié)構(gòu)，計算碼本全局信息，實(shí)現(xiàn)全局編碼。通過本文方法得到的編碼系數(shù)比較平滑和準(zhǔn)確。最后本文使用多路徑方法，分別將不同尺度的特征表示進(jìn)行級聯(lián)，得到最終的圖像特征表示。這種特征表示具備了一定程度上的尺度不變

2、性。在 UIUC-8、Scene-15和Caltech-101三個常用的標(biāo)準(zhǔn)圖像數(shù)據(jù)集上進(jìn)行的測試中，分類準(zhǔn)確率分別達(dá)到了88.0％、83.9%和83.1%。實(shí)驗(yàn)結(jié)果表明，相比于基于固定尺度碼本的局部編碼方法，本文方法在分類識別率方面有了顯著提升。
　　本文取得的研究成果為以下幾點(diǎn)：
　　首先本文提出了基于多尺度碼本的多尺度特征學(xué)習(xí)方法。該方法基于詞袋模型碼本空間結(jié)構(gòu)，提出了一種多尺度碼本，在完善碼本結(jié)構(gòu)的同時增強(qiáng)了碼本描述

3、能力，減少了特征量化誤差。在碼本多尺度化的基礎(chǔ)上，本文采用了多路徑編碼，使特征表示多尺度化，有利于得到圖像各個層次的信息內(nèi)容。
　　其次本文充分利用多尺度碼本的描述能力，采用一種全局編碼方法，在具體的編碼過程中加入了全局信息，將局部編碼轉(zhuǎn)換為全局編碼，進(jìn)一步減少了特征量化誤差，使特征編碼結(jié)果更為平滑，特征表示更為精確。由于全局編碼對 K近鄰值的變化較為魯棒，無需針對圖像集尋找最優(yōu)的K近鄰值即可達(dá)到最優(yōu)的分類效果。
　　最后本