场景分类一直是计算机视觉领域的一个难点,在数字图像管理、视频监控、遥感图像处理等领域有着诸多应用。随着社会成像探测技术的迅猛发展以及高速通信网络的构建,产生了海量的数据图像及图像流背后精准的信息流传递,为了方便管理海量数字图像,图像分类的需求变得越来越迫切。场景图像分类主要有三个难点:1.图像内有大量内容,且图像背景对分类的干扰较大;2.场景图像类间相似性高,不同场景图像可能包含多处相似特征;3.场景图像类内差异性大,由于场景图像内包含大量内容,相同场景的图像可能包含该场景的不同特征,表现出较大差异。故而场景分类过程中需要顾及到场景内的内容特征和场景结构特征。稀疏表示是一种有效的提特征的方法,并且在抗噪声方面有着强大的优势,因此提出基于稀疏表示的场景分类方法,分别从字典构造,目标图像处理,分类器训练三个方面展开研究,进行的主要工作的取得的主要研究成果如下。1、使用基于词袋模型的超完备字典对场景图像进行稀疏表示,并引入图像切片的方式保存图像的结构特征。首先确定要分类的场景,粗略地切割待分类场景的词汇图像块,对图像块进行旋转扩展,并将图像块分类,组成稀疏表示的超完备字典。将目标图像按上、下左、下中、下右的格局以1:1:1:1的比例切割,分别对切割后的图像结合词袋模型的超完备字典进行稀疏表示。对目标图像进行稀疏表示后,不需对图像进行重构,只需对稀疏表示向量进行分析,便可知道图像中包含哪一类的词汇特征;可得到图像各个部分所包含的内容,既能得到场景的内容语义特征,又能兼顾场景的结构特征;2、使用改进的朴素贝叶斯算法,采用引力模型中的平方项作为抗干扰项:由于引力模型中的距离的平方项,当有外界干扰时,目标不会偏离轨道,而是在原轨道上产生一个逐渐衰减的扰动。采用相似距离来模拟引力模型中的抗干扰项,以判断稀疏向量对语义信息的表达能力,根据语义表达能力来排除干扰信息对图像语义信息提取的干扰。通过与稀疏分类、核稀疏多块旋转稀疏分类算法、词袋模型分类算法的实验对比,基于词袋模型的切片式稀疏表示分类算法由于其对图像内部特征分析更全面,故而在小样本情况下对场景分类的效率更高。