多粒度融合的模糊规则系统图像特征学习

马 翔，邓赵红，王士同

江南大学数字媒体学院，江苏无锡214122

图像特征学习是计算机视觉和机器学习领域的重要研究内容，计算机视觉中的很多任务如图像分类、目标检测、图像分割等都会将通过各种不同的特征学习方法来表示图像作为初始步骤，然后利用其他手段完成各自的目标。图像特征的提取，不仅直接影响后续图像分类、检测等相关任务的精确度，甚至关系到分类和检测算法的可行性。由于图像包含的信息差别很大，并且自身易受光照、形变、遮挡等因素的干扰，因此设计一种有效的图像特征表示方法是十分困难的。根据已有研究，常用的图像特征学习方法主要分为基于手工提取特征的方法、基于子空间学习的方法和基于深度学习的方法。

基于手工提取特征的方法包括基于全局特征提取和基于局部特征提取的这两种图像表示方法。图像的全局特征往往包括图像的形状、颜色、纹理等这些信息。最具有代表性的全局特征提取的方法有、方向梯度直方图（histogram of oriented gradient，HOG）[1]、局部二值模式（local binary patterns，LBP）[2]、颜色直方图[3]等，这些方法可以快速抽取图像的上下文信息。局部特征可以灵活地描述图像的细节以及内部信息，针对原始图像的局部特征，研究者基于词袋模型（bag of words）[4]提出了许多特征提取方法，例如软量化算法[5-6]、局部约束线性编码算法[7]、空间金字塔算法[8]等。但是基于手工提取图像特征的方法对图像旋转、缩放以及亮度变化过于敏感，并且由于图像具有数据量大、维度高等特点，使得手工特征的设计和提取过程十分困难，不能直接应用于当前的高维图像分析和处理[9]。……