基于局部區(qū)域潛在語(yǔ)義信息的圖像分類方法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩70頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著數(shù)字成像技術(shù)的快速發(fā)展,數(shù)字圖像呈現(xiàn)海量式增長(zhǎng)。如何實(shí)現(xiàn)快捷、高效的圖像組織和檢索成為頗具價(jià)值的研究課題。目前面向語(yǔ)義提取的圖像分類技術(shù)面臨諸多挑戰(zhàn),如何構(gòu)建高效的圖像分類方法仍是一個(gè)值得深入研究的問(wèn)題。本文圍繞語(yǔ)義提取需求背景下的圖像分類研究這一主題展開(kāi),論文的主要工作如下:
  (1)概述了圖像特征提取方法和分類方法研究現(xiàn)狀,分析了當(dāng)前圖像分類面臨的問(wèn)題。探討了基于概率潛在語(yǔ)義分析(probabilistic Latent

2、 Semantic Analysis, pLSA)的圖像分類機(jī)制。
  (2)由于傳統(tǒng)的pLSA模型無(wú)法獲得圖像的空間潛在語(yǔ)義信息,并且沒(méi)有考慮潛在主題間的判別性信息。因此,設(shè)計(jì)了一種基于多尺度空間判別性pLSA的圖像分類方法。首先利用空間金字塔思想對(duì)圖像進(jìn)行多尺度劃分并結(jié)合pLSA獲得每個(gè)局部區(qū)域潛在語(yǔ)義信息;之后再結(jié)合提出的權(quán)值學(xué)習(xí)方法來(lái)學(xué)習(xí)不同圖像主題間的判別信息;最后結(jié)合支持向量機(jī)(Support Vector Machi

3、ne,SVM)實(shí)現(xiàn)分類。實(shí)驗(yàn)表明了空間語(yǔ)義信息和判別性信息在圖像分類中的重要性,驗(yàn)證了其有效性和魯棒性。
  (3)針對(duì)傳統(tǒng)潛在語(yǔ)義分析方法中的共生矩陣具有較大的量化誤差,且此方法無(wú)法獲得圖像空間語(yǔ)義信息。設(shè)計(jì)出了一種稀疏編碼多尺度空間潛在語(yǔ)義分析的圖像分類方法。通過(guò)對(duì)圖像多尺度劃分得到的局部區(qū)域利用稀疏編碼方法進(jìn)行特征統(tǒng)計(jì),并利用pLSA模型挖掘出局部區(qū)域中的潛在語(yǔ)義信息。然后聯(lián)合所有局部區(qū)域潛在語(yǔ)義信息并結(jié)合SVM實(shí)現(xiàn)分類。實(shí)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論