● 摘要
由于人们的能够得到的信息60%都是通过视觉获得的，因此，如何使用计算机来高效的、合理的处理人类视觉获取的图像信息就显得尤为重要。图像目标识别作为机器视觉研究领域的研究热点，近几年取得了较大的发展和较好的结果，并且应用到实际的生活中。图像目标识别主要应用在安全监控、医学图像分析、农业生态保护和人机交互等方面。由于局部特征描述在图像不变特征描述中具有很好的尺度、旋转、方向及光照改变的不变性，本文将局部特征用于图像目标识别的研究中。现把本文的具体工作内容和创新点概括如下：
（1）针对目前基于SIFT特征的图像识别算法中SIFT特征含有较高维数的描述符，本文使用主成份分析的方法得到PCA-SIFT算法，并将PCA-SIFT特征结合本文提出的分类方法对图像进行分类。首先，使用DOG算子进行有效的潜在极值点检测，然后再分配主方向，最后使用梯度直方图对关键点进行特征描述。在得到128维的描述符之后，计算特征向量的均值以及协方差矩阵，然后将特征值从大到小进行排序，选取最大的K 个特征，K的取值决定最后描述符的维数。本文选取K为36时所得到的描述符。这样既得到特征点的主要信息，又使描述符的维数大大将少，降低了存储空间以及节约了运行时间。
（2）为了降低图像识别的计算复杂度以及提高图像识别的分类精度，本文提出了基于PCA-SIFT特征与贝叶斯决策的图像分类算法，该算法在使用PCA-SIFT算法进行特征提取和匹配之后，得到相对稳定的特征点，然后使用最大似然估计得到类先验概率和概率函数，最后使用最小错误率的贝叶斯决策得到待识别图像所属的类别。实验结果表明，本文提出的使用贝叶斯决策的分类算法与目前基于局部特征的图像分类算法相比，有更好的分类效果，而且对背景图像的干扰具有较高的鲁棒性。
（3）针对PCA-SIFT特征在图像识别中有着较好的分类精度，本文将PCA-SIFT特征结合模糊推理的方法应用到树叶识别中。该算法首先提取属于同一类所有训练样本的PCA-SIFT描述符进行互配，将每类互配率大于30%的图像的每个特征点的互匹配率及其在匹配训练样本中的坐标与PCA-SIFT的描述符的均值与方差构成类别的数据库，然后，计算类别个数数据库中每类的特征点与待识别树叶图像所有的PCA-SIFT特征点模糊匹配度的最大值最为该点的模糊匹配度，最后将模糊隶属度作为树叶识别的最终判别标准。实验结果表明该算法提取的特征点具有尺度、旋转、平移和光照不变性，而且在图像识别的过程中计算成本较低，对比目前一些基于SIFT特征的树叶分类算法有更好的实验结果。