论文：体贴的冰棍、迷你橘子、高隈、动人的紫菜、纯真的西装。 基于稀疏码多尺度潜在语义分析的图像分类[J] .计算机学报，2014，37 (06 ) :1251-1260 .
文章摘要：
传统的潜在语义分析方法无法利用图像中区域语义结构的上下文信息获得图像目标的空间分布信息，导致局部特征之间的空间关系信息丢失。 基于最近邻向量量化构建共生矩阵具有较大的量化误差，使得特征描述缺乏鲁棒性，影响后续潜在语义分析获取特征的准确性。 为了弥补这些不足，提出了一种基于稀疏编码的多尺度空间潜在语义分析的图像分类方法。 首先，将图像用空间金字塔方法划分为空间多尺度，然后采用稀疏编码对每个局部块的特征进行软量化以形成共生矩阵，然后结合概率潜在语义分析(PLSA )得到每个局部块的潜在语义信息，并利用权重值对每个特定局部块的特征进行软量化以形成共生矩阵通过在常见图像库中的实验，本文提出的基于稀疏编码的多尺度空间潜在语义分析方法的平均分类精度比传统多种方法有了明显的提高，验证了其有效性和鲁棒性。 实验表明，空间金字塔匹配、稀疏码共生矩阵和PLSA降维三个模块对该方法至关重要，同时提高了图像特征和分类性能。
摘要表明，本文提出的稀疏码多尺度空间潜在语义分析算法中主要使用的模块是空间金字塔、稀疏码、概率潜在语义分析(PLSA )、支持向量机(SVM )。
图像分类方法主要分为基于全局特征和基于中层语义信息两种。 本文指出基于图像的基特征不能解决图像分类中的“语义槽”问题，即底层视觉特征和高层语义特征之间的不统一性。 这个问题是基础特征难以捕捉重要特征，影响结果的正确率； 而全球特征存在的最突出问题是特征无重点、数据量相对较大、占用资源严重等有用信息难以掌握。 本文利用空间金字塔思想对图像进行空间分层，划分局部区域得到图像局部块之间的空间关系，然后利用SC各局部块进行软量化形成共生矩阵，并结合PLSA模型对各局部块进行潜在语义挖掘，从而得到图像局部块之间的空间关系最后用权重连接归纳在不同尺度上的潜在语义信息，得到图像的最终特征描述。 画画可以表示如下。
本文的几个创新点(亮点) 1、NN-VQ SC
SC使用更多视觉词典的基础来表示特征描述符，而NN-VQ方法仅选择一个基础来表示局部特征描述符。 本文用SC法代替传统的NN-VQ法进行量化，形成共生矩阵，减小生成的共生矩阵的重构误差。
2、本文借鉴文本分析中PLSA主题模型的优秀特性分析图像，将该模型用于图像局部区域的潜在语义挖掘，使得到的潜在语义特征具有小的冗馀性和模糊性。
3、图像多尺度空间潜在语义学习模型
例如，以三层空间金字塔的块模型为例，第0层表示原始图像，第1层将图像分割为22块，第2层将图像分割为44块，一共得到21个图像区域。 图：
4、培训和测试阶段
下图为基于稀疏编码多尺度空间潜在语义分析的图像分类总体框架示意图。 系统主要分为训练阶段和测试阶段两个阶段。 在训练阶段，通过本文提出的图像多尺度空间潜在语义模型学习得到最优的PLSA模型，结合该模型生成的图像多尺度空间潜在语义特征训练SVM分类器模型，得到最优的SVM分类器模型。 采用folding-in方法计算测试图像的空间潜在语义信息分布，结合训练阶段生成的最优SVM对该潜在语义信息分布向量进行分类，将得到的置信度最高的语义类作为该测试图像的类标签实现测试图像分类。
结论本文提出一种基于稀疏编码多尺度空间潜在语义分析的图像分类方法。 基于通过图像分割空间金字塔匹配提取目标空间位置信息的稀疏码对局部区域进行特征软量化，形成共生矩阵，提高了共生矩阵对原始特征表示的准确性； 最后结合PLSA模型挖掘局部潜在语义信息，逐个局部语义信息连接得到图像多尺度空间的潜在语义信息。 实验验证表明，该方法比传统较好的图像分类方法分类精度高； 空间金字塔匹配、稀疏编码构建共生矩阵以及PLSA降维三个模块对该方法至关重要，能够更准确地表示图像，并且同时提高图像分类性能。