基于PCANet的图像识别及其改进

摘要

作为一种结合了主成分分析和卷积神经网络的特征提取算法，PCANet 在图像识别领域有着强大的功能和广泛的应用，它具有训练时间短、识别准确率高、模型简单等优点。PCANet 算法的结构由三个阶段组成，前两个阶段十分相似，都是对输入矩阵分块采样、去均值化后，利用 PCA 的方法构造PCA 滤波器，然后对每个采样块进行卷积处理，在第三阶段中，我们对输入矩阵进行哈希编码和直方图化处理来提取图像特征，至此，利用 PCANet 来提取图像特征的过程就完成了，最后我们采用 SVM 来对图像进行分类。虽然 PCANet 具有诸多优势，但它仍然有上升的空间。在PCANet算法中，滤波器的选择对特征提取的效果有着至关重要的作用，所以我们尝试用傅里叶滤波器和小波滤波器来替换PCA 滤波器，以次来提高算法对图像识别的准确性，经过试验后，我们确实发现更换滤波器后的算法有着更高的准确性。