融合AP聚類的視覺字典容量獲取及其PLSA場景分類評價.pdf

1、場景分類是圖像理解研究的熱點，是研究人類理解圖像語義含義的重要方向之一。近年以來，場景分類在醫(yī)學(xué)圖像的識別、計算機視覺、圖像檢索等領(lǐng)域具有重要的應(yīng)用前景。隨著時代的進步，人類所產(chǎn)出的數(shù)字圖像數(shù)量越來越大，只依靠人工標(biāo)注的方式對圖像進行標(biāo)注獲取圖像特征，然后再進行分類的方法已不能滿足人類的需求，因此，自動化的場景分類的研究越來越重要。目前，場景分類的經(jīng)典流程是:圖像特征提取、構(gòu)建視覺字典、選取算法分類等。其中構(gòu)建視覺字典是場景分類中的關(guān)鍵

2、環(huán)節(jié)之一，本文采用AP(Affinity propagation，吸引子傳播)聚類算法自動獲取視覺字典容量來構(gòu)建，相對于經(jīng)典的大量試驗去獲得的方法，效率顯著提高。另外，本文選取了PLSA(probabilistic latent semantic analysis)算法構(gòu)建概率生成模型進行場景分類。本文的主要工作如下:
　　第一，本文介紹場景分類的相關(guān)背景知識和它們的研究意義，同時分析了聚類算法和獲取視覺字典容量的研究現(xiàn)狀。

3、>　　第二，本文給出了場景分類的基本流程圖。介紹了獲取SIFT(Scale-invariant featuretransform，尺度不變特征轉(zhuǎn)換)特征的過程、K-均值聚類算法和AP聚類算法，另外還分析了隨機產(chǎn)生的100個數(shù)據(jù)點的聚類結(jié)果和比較它們的優(yōu)缺點。同時詳細介紹了PLSA算法。
　　第三，本文深入研究提取SIFT特征的幾種方法，并通過實驗分析了采用均勻網(wǎng)格采樣法和隨機采樣法來提取圖像的SIFT特征的優(yōu)缺點，最后得出采用均勻

4、采樣法更適合本文對場景分類的研究。
　　第四，本文分別采用K-均值聚類算法和AP聚類算法獲取視覺字典容量，然后用PLSA算法進行場景分類，并分析采用這兩種方法的優(yōu)缺點。經(jīng)典的采用K-均值聚類算法需要大量的試驗才可以獲得碼本，而AP聚類算法一次就可以自動獲得碼本，顯著提高了場景分類的效率。另外研究PLSA算法和采用PLSA算法進行場景分類的過程以及研究了PLSA算法的輸入?yún)?shù)k（主題數(shù)）的選取，通過選取不同的主題數(shù)進行實驗，并分析每

5、一次實驗的結(jié)果，最后得出比較合理的主題數(shù)。
　　第五，本文對實驗結(jié)果進行分析。首先分析采用K-means聚類算法獲得碼本和采用AP聚類算法自動獲得碼本并進行的場景圖像的分類的兩組實驗結(jié)果。結(jié)果表明，采用AP聚類算法獲得碼本的場景分類比K-means聚類算法獲得碼本的場景分類的識別率和效率都要高。然后分析在不同的主題數(shù)七的PLSA的場景分類的實驗結(jié)果，作出它們各自的實驗識別率的曲線圖，從圖中可知，當(dāng)主題數(shù)為55時可以獲得比較高的識別