基于支持向量機(jī)和半監(jiān)督深度信念網(wǎng)絡(luò)學(xué)習(xí)的圖像分類算法研究.pdf

1、圖像分類是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，隨著網(wǎng)絡(luò)資源的日益多樣性，圖像規(guī)模愈來(lái)愈大，內(nèi)容愈來(lái)愈復(fù)雜，表現(xiàn)形式也愈來(lái)愈多樣，圖像的復(fù)雜化使得圖像分類技術(shù)面臨著巨大的挑戰(zhàn)。本文綜合目前圖像分類的相關(guān)算法，概括出現(xiàn)存算法的不足之處并給出相應(yīng)的對(duì)應(yīng)方法。針對(duì)小規(guī)模圖像分類技術(shù)的單一性與局限性、現(xiàn)存的大規(guī)模圖像分類精度低的問(wèn)題，分別給出了不同的解決方案并進(jìn)行了詳細(xì)的闡述。
　　本研究提出了基于Daubechies小波的快速 PCA和SVM（

2、DW-FPSVM）的圖像分類算法。先對(duì)圖像進(jìn)行一次二維 Daubechies小波分解并提取人臉特征，接著利用快速 PCA對(duì)特征降維去噪處理，最后建立支持向量機(jī)模型對(duì)處理好的特征進(jìn)行分類。本文以O(shè)RL人臉圖像庫(kù)作為輸入展開(kāi)實(shí)驗(yàn)，得出：圖像分類的準(zhǔn)確率隨支持向量機(jī)核參數(shù)?的增大而減小且 DW-FPSVM算法能夠有效的提高圖像分類的準(zhǔn)確性和穩(wěn)固性。除此之外，還從訓(xùn)練時(shí)間和分類時(shí)間將 DW-FPSVM與其它算法的相關(guān)時(shí)間做了比較，證明了該算法的

3、高效性。針對(duì)淺層次大規(guī)模圖像分類的低精度問(wèn)題，提出深層次特征學(xué)習(xí)的Adaboost圖像分類算法（AICDFL）。首先以DBN作為弱分類器對(duì)樣本圖像進(jìn)行學(xué)習(xí)，根據(jù)每次訓(xùn)練得到的錯(cuò)誤率以及各樣本的分類準(zhǔn)確性調(diào)整權(quán)值；然后使用BP算子回溯再次整體調(diào)整體樣本權(quán)值并輸出調(diào)整后的每個(gè)分類器的錯(cuò)誤率，最后將所有弱分類器集成強(qiáng)分類器，輸出最終結(jié)果。使用MNIST和ETH-80兩種數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)仿真，并將分類結(jié)果與其他算法的分類結(jié)果進(jìn)行比較。結(jié)果表明AI