基于主題模型和圖核模型的圖像分類算法的研究與應用.pdf

1、圖像分類技術是計算機視覺領域重要的研究內容。圖像分類性能的優(yōu)劣對醫(yī)學圖像研究、生物數據分析、軍事交通研究有至關重要的意義。伴隨著機器學習的熱潮，圖像分類技術得到了迅速發(fā)展并成為計算機視覺領域研究的熱點。
　　主題模型是機器學習領域新興的算法，它的出現為圖像分類研究開辟了新的天空。主題模型是一種概率生成模型，主要應用在對文本信息進行處理中。相對于其他分類算法，其優(yōu)勢在于對語義信息的挖掘上。Latent Dirichlet Alloc

2、ation(LDA)模型是在Probabilistic LatentSemantic Analysis(PLSA)模型的基礎上提出的一種廣泛應用在文本信息分類的主題模型。該算法采用了詞袋(bag of words)思想，視每篇文檔為一個詞頻向量。一篇文檔代表了一些主題所構成的概率分布，而每一個主題又代表了很多單詞所構成的概率分布。LDA通過這種方式把文本信息轉化為易于建模的數字信息并挖掘數據集潛在的語義信息。隨著LDA模型的發(fā)展和改進，

3、它已經成功地應用在圖像分類、檢索等領域。
　　但是，LDA算法使用的詞袋模型把圖像看作無序的單詞而忽略了圖像的空間結構信息，圖核是一種計算圖結構之間相似性的模型。本文提取了圖像的空間結構信息并結合了主題模型和圖核模型，分別從語義信息和空間結構信息的角度對圖像進行處理。通過對這兩種模型進行研究我們發(fā)現其中還存在可改進之處。本文首先對LDA的詞袋模型進行改進，提高其分類效果，同時提出了使用帶權重的最小生成樹圖核進行圖像分類，并對最小生

4、成樹圖核進行了改進，最后結合了兩個模型的優(yōu)勢并應用于圖像分類中，主要工作如下:
　　1)利用傳統(tǒng)LDA模型進行圖像分類研究。在對圖像進行處理時，使用SIFT算法檢測特征點形成詞典、計算詞頻，并根據LDA思想進行分類。文中利用Gibbs采樣對參數進行估計，通過訓練出來的參數對新圖像進行分類預測。其次文中對這種傳統(tǒng)方法進行改進，加入圖像的色彩信息，利用RGB SIFT算法檢測特征點，形成了信息更為豐富的描述子。
　　2)本文對圖

5、核模型進行研究，并應用在圖像分類中。首先綜合考慮了常用的幾種核，根據其優(yōu)劣性，提出使用最小生成樹算法計算圖像之間相似性。其次在計算圖結構相似性時，對最小生成樹核進行改進，考慮了圖結構中節(jié)點的權重信息。在利用帶權重的最小生成樹圖核進行分類時，我們首先利用RGB SIFT算法得到圖像的視覺單詞以及空間坐標信息，通過構建四叉樹把圖像表示為圖結構的數據，根據圖來生成最小生成樹并計算圖像之間的相似性。為了利用相似性矩陣對圖像進行分類，我們使用訓練

6、集中的相似性矩陣及其所屬的類別對支持向量機(Support Vector Machine)即SVM進行訓練，得到相應的分類器。其中支持向量機的核函數使用了最小生成樹核。通過對測試集數據的分類預測驗證了改進模型的優(yōu)越性。
　　3)結合LDA模型和圖核模型的優(yōu)缺點，將兩種方法進行結合，使用余弦相似性得到LDA模型中圖像的相似矩陣，并與圖核中的相似性矩陣以一定的權值進行結合，最后利用SVM對相似性矩陣進行處理，成功對圖像進行分類。該課題