图像场景分类的关键技术研究

《图像场景分类的关键技术研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、题目编号5图像场景分类的关键技术研究ResearchonKeyTechnologiesForSceneClassification学生姓名专业学号指导教师学院电子信息工程学院2012年06月图像场景分类的关键技术研究摘要:图像场景可能由多个对象(比如:草地，马路，建筑物)所组成。给定一组图像，我们的目标是利用无监督方法发现每一幅图像所包含的对象，然后根据这些对象的分布实现场景的分类。潜在语义分析是由统计文本分析发展而来的产生式模型，它能够发现文档所包含的潜在主题。本文通过研究不同的视觉词汇和潜在主题数目对场景分

2、类性能的影响，我们选择单层SIFT特征作为PLSA的词汇表。然后在此基础上进行改进，实现多层SIFT特征，多种特征融合作为词汇表。采用概率潜在语义分析(PLSA)对词汇表进行分析，实现图像中潜在对象的发现；图像被比作成一篇由若干“视觉词包”所组成的文档，图像中的对象则被看成该图像文档所包含的潜在主题。这样，利用PLSA就可以发现图像中潜在对象的概率分布。基于对象概率分布的场景分类则由K-最近邻分类器来完成的。实验表明，结合PLSA和KNN的分类方法提出的基于多层SIFT特征和多种特征融合的PLSA模型可获得比单

3、层SIFT特征更加理想的场景分类效果关键词:概率潜在语义分析(PLSA)，场景分类，SIFT特征，颜色特征，边缘特征，多层SIFT特征ResearchonKeyTechnologiesForSceneClassificationABSTRACT:Givenasetofimagesofscenescontainingmultiplecategories(e.g.grass,roads,buildings)ourobjectiveistodiscovertheseobjectsineachimageinanunsu

4、pervisedmanner,andtousethisobjectdistributiontoperformsceneclassification.Weinvestigatetheclassificationperformanceunderchangesinthevisualvocabularyandnumberoflatenttopicslearnt,anddevelopanovelvocabularyusingSIFTdescriptors.Thenbasedonthismethod,wedeveloped

5、vocabularyusingmulti-levelSIFTdescriptorsinordertoimprovetheclassificationperformance.FinallyUsingavarietyoffeaturesgeneratevocabulary,weachievethisdiscoveryusingprobabilisticLatentSemanticAnalysis(PLSA),agenerativemodelfromthestatisticaltextliterature,herea

6、ppliedtoabagofvisualwordsrepresentationforeachtimeimage.Thesceneclassificationontheobjectdistributioniscarriedoutbyak-nearestneighborclassifier.InallcasestheSceneClassificationBasedonMulti-levelSIFTandMulti-featureforthecombinationofPLSAfollowedby(supervised

7、)K-nearestneighborclassificationachievesmoresuperiorresults.Keywords：PLSA,Sceneclassification,SIFTcharacteristic,multi-levelSIFTcharacteristic目录第一章引言-1-1.1本文研究目的-1-1.2本文研究意义-2-1.3本文研究工作-4-1.4本文的组织-5-第二章场景分类的特征-6-2.1颜色特征提取-6-2.2SIFT特征提取-7-第三章基于PLSA模型的图像场景分类-9

8、-3.1PLSA的原理-9-3.2PLSA的优点-9-3.3基于PLSA图像场景分类-10-3.3.1图像与文本对应关系-10-3.3.2图像场景分类过程-10-第四章结论及展望-12-参考文献-13-长春理工大学论文第一章引言伴随着日益高速的数字化图像，基于内容的图像管理和检索变得越来越重要。将图像语义分类(例如:海洋，山脉，街道)和将图像分解成语义对象(例如:摩托车，天空，飞机)是