1.基于显著性编码和软分配的局部聚合描述子向量算法,包括下列步骤:获取局部特征最近邻的K个字典中心;
根据每个字典中心,分别计算其显著系数;
使用所有计算得到的显著系数作为参数计算得到SCSA系数;
使用SCSA系数对局部特征与字典中心的残差进行加权。
2.根据权利要求1所述的基于显著性编码和软分配的局部聚合描述子向量算法,其特征在于:所述算法通过k近邻算法(k‑NearestNeighbor,kNN)获得局部特征的K个最近邻的字典中心。
3.根据权利要求2所述的基于显著性编码和软分配的局部聚合描述子向量算法,其特征在于:所述显著系数通过使用最近邻的字典中心和其它的K‑1个字典中心对于该特征的距离的差异程度来反应出显著性。
4.根据权利要求3所述的基于显著性编码和软分配的局部聚合描述子向量算法,其特征在于:所述算法通过将显著系数作为参数与字典中心的欧氏距离计算出SCSA系数。
5.根据权利要求4所述的基于显著性编码和软分配的局部聚合描述子向量算法,其特征在于:对于每个字典中心,所述算法通过将SCSA系数与分配到该字典中心的所有特征之间的残差向量按SCSA系数设置权重后进行聚合,计算出图像的SCSA‑VLAD表示,用于图像的分类任务。
6.一种图像处理方法,其特征在于:采用权利要求1所述的基于显著性编码和软分配的局部聚合描述子向量算法,包括下列步骤:对图像进行SIFT特征提取;
通过K均值聚类算法生成字典;
获得SIFT局部特征点的K个最近邻的字典中心;
对于每个字典中心,分别计算其显著系数;
使用所有计算得到的显著系数作为参数计算得到SCSA系数;
使用SCSA系数对局部特征与字典中心的残差进行加权后进行聚合;
将聚合产生的向量相串联,得到图像的SCSA‑VLAD表示;
对得到的图像SCSA‑VLAD表示向量先后进行功率归一化和L2归一化操作;
将图像SCSA‑VLAD表示向量作为输入,使用支持向量机对图像进行分类。