針對稀疏編碼模型在字典基的選擇時忽略了群效應(yīng)，且歐氏距離不能有效度量特征與字典基之間距離的問題，提出基于彈性網(wǎng)和直方圖相交的非負局部稀疏編碼方法（ EH-NLSC）。首先，在優(yōu)化函數(shù)中引入彈性網(wǎng)模型，消除字典基選擇數(shù)目的限制，能夠選擇多組相關(guān)特征而排除冗余特征，提高了編碼的判別性和有效性。然后，在局部性約束中引入直方圖相交，重新定義特征與字典基之間的距離，確保相似的特征可以共享其局部的基。最后采用多類線性支持向量機進行分類。在4個公共數(shù)據(jù)集上的實驗結(jié)果表明，與局部線性約束的編碼算法（LLC）和基于非負彈性網(wǎng)的稀疏編碼算法（NENSC）相比，EH-NLSC的分類準確率分別平均提升了10個百分點和9個百分點，充分體現(xiàn)。了其在圖像表示和分類中的有效性。

　　圖像分類是計算機視覺領(lǐng)域的-一個重要研究方向，廣泛應(yīng)用于生物特征識別、網(wǎng)絡(luò)圖像檢索和機器人視覺等領(lǐng)域，其關(guān)鍵在于如何提取特征對圖像有效表示。稀疏編碼是圖像特征表示的有效方法。考慮到詞袋（ Bag of Words， BoW ）模型“1和空間金字塔匹配（ Spatial Pyramid Matching， SPM）模型21容易造成量化誤差，Yang等3結(jié)合SPM模型提出利用，稀疏編碼的空間金字塔的圖像分類算法（SpatialPyramidMatching using Sparse Coding， ScSPM），在圖像的不同尺度上進行稀疏編碼，取得了較好的分類效果。在稀疏編碼模型中，由于l1范數(shù)在字典基選擇時只考慮稀疏性而忽略了群體效應(yīng)，Zou等［4］提出一-種新的正則化方法，將彈性網(wǎng)作為正則項和變量選擇方法。Zhang等5］提出判別式彈性網(wǎng)正則化線性回歸。