基于詞袋模型的圖像分類的研究.pdf

1、近些年來(lái)，隨著互聯(lián)網(wǎng)和多媒體技術(shù)的飛速發(fā)展，數(shù)字資源正處于指數(shù)式的增長(zhǎng)狀態(tài)，數(shù)字圖像作為數(shù)字資源中的重要組成部分，已經(jīng)進(jìn)入人們生活的方方面面，如何對(duì)這些數(shù)字圖像進(jìn)行快速準(zhǔn)確的分類，成為了人們研究的熱點(diǎn)。詞袋模型作為基于局部特征的圖像分類方法在圖像分類領(lǐng)域取得了巨大的成功，支持向量機(jī)分類器因其簡(jiǎn)單且行之有效的優(yōu)點(diǎn)被廣泛應(yīng)用于圖像分類領(lǐng)域。本文對(duì)基于詞袋模型的圖像分類進(jìn)行了以下研究：
　　首先針對(duì)詞袋模型中K均值算法計(jì)算復(fù)雜度高以及聚

2、類過(guò)程中將所有特征點(diǎn)同等對(duì)待的問(wèn)題，本文提出了一種基于簡(jiǎn)單隨機(jī)采樣和特征加權(quán)的K均值算法，簡(jiǎn)稱SRW-K均值算法，算法通過(guò)給采樣后的特征點(diǎn)添加權(quán)重以及約束條件（集群內(nèi)離散度、全局?jǐn)?shù)據(jù)離散度），使得每個(gè)簇?fù)碛凶畲蟮木o密性，聚類中心之間的距離達(dá)到最大值。SRW-K均值算法不僅降低了計(jì)算復(fù)雜度，而且提高了聚類的性能。本文將SRW-K均值算法與其他先進(jìn)的四種算法在三個(gè)數(shù)據(jù)集（VOC2007、UIUCsport、Caltech-101）上分別進(jìn)行

3、實(shí)驗(yàn)，結(jié)果表明，采用SRW-K均值算法的詞袋模型的分類精度最高，與K均值算法相比，采用SRW-K均值算法的詞袋模型在三個(gè)數(shù)據(jù)集上的分類精度分別提高了15.32％、10.37%和14.51%。
　　其次針對(duì)支持向量機(jī)核函數(shù)中特征映射后的特征空間維度過(guò)高的問(wèn)題，本文提出了一種基于白化變換的狄利克雷概率分布核，簡(jiǎn)稱DPWT核。DPWT核函數(shù)首先將原始特征空間的特征向量映射到另一個(gè)特征空間變成白化向量，然后在這個(gè)特征空間中，通過(guò)對(duì)白化向量

4、進(jìn)行分類從而達(dá)到對(duì)原始特征向量分類的目的。DPWT核函數(shù)不僅使映射后的特征空間與原始特征空間保持了同樣的維度，而且有效的消除了維度間的相關(guān)性，減小了數(shù)據(jù)的冗余。本文將DPWT核函數(shù)與其他先進(jìn)的五種核函數(shù)在三個(gè)數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)，結(jié)果表明，采用DPWT核函數(shù)的詞袋模型的分類精度最高，與Linear核函數(shù)相比，采用DPWT核函數(shù)的詞袋模型在三個(gè)數(shù)據(jù)集上的分類精度分別提高了17.11%、14.33%和23.44%。
　　最后為了進(jìn)一步