圖像語義分類方法研究.pdf

1、以計算機技術、微電子技術和通信技術為特征的現(xiàn)代信息技術的發(fā)展帶來了越來越多的多媒體數(shù)據(jù)。由于圖像信息內容豐富、表現(xiàn)直觀,一直是人們非常重要的信息獲取來源。如何從海量圖像信息中檢索出需要的圖像,以滿足人們的不同需求,已成為研究者重點關注的問題。早期基于文本的圖像檢索,因主觀性和不確定性等缺陷已無法滿足人們需求。基于內容的圖像檢索技術依賴于圖像的低層視覺特征,與人們理解的圖像高層語義之間并沒有直接的聯(lián)系。如何突破圖像低層視覺特征的限制,跨越

2、低層特征與高層語義之間的“語義鴻溝”,實現(xiàn)語義層次上的檢索,已成為圖像檢索領域研究的熱點與難點。
　　 論文概述了圖像處理的基礎知識,介紹了圖像檢索技術的發(fā)展狀況及主要研究內容,分析了現(xiàn)有的圖像檢索技術的優(yōu)缺點,引入了圖像語義的概念,論述了圖像語義中的熱點及關鍵問題,提出了論文研究的重點-高效圖像語義提取方法。論文首先研究了基于SVM的圖像語義分類方法,選取不同的低層視覺特征作為特征組合,并使用不同核函數(shù)將圖像從低維特征空間映射

3、到高層語義空間,以解決低層特征與高層語義之間的“語義鴻溝”。仿真結果發(fā)現(xiàn),基于SVM的圖像語義分類方法具有較高的分類準確率,最高可達到84.5％。SVM在假設空間中尋找最接近實際分類函數(shù)的單個分類器模型,無法結合多個分類器,性能提升空間有限。
　　 為了更好地建立圖像低層特征和高層語義的聯(lián)系,有效提升圖像分類性能,論文研究了集成學習的圖像語義分類方法,提出了基于Bagging和Adaboost算法的兩種集成學習分類方法。根據(jù)不同

4、原則選取訓練子集并構建各自的基分類器,然后采用不同的集成策略將基分類器形成組合分類器以實現(xiàn)圖像分類,最后分析了不同集成學習方法的分類性能的優(yōu)劣。仿真結果表明,集成學習方法能有效提升弱學習器的分類效果,基于Bagging算法的分類準確率可達到87％,Adaboost算法的分類準確率可達到89.5％,由于對錯分數(shù)據(jù)的訓練更具有針對性,且對效率高的子分類器賦予較高權值,基于Adaboost算法的集成學習方法更適合于圖像分類。
　　 最