基于词袋模型的图像分类的研究

《基于词袋模型的图像分类的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ZSTUZhejiangSci-TechUniversity硕士专业学位论文ProfessionalMaster’sThesis中文论文题目:基于词袋模型的图像分类的研究英文论文题目：ResearchonImageClassificationbasedonBag-of-Words专业学位类别：工程硕士专业学位专业学位领域：计算机技术作者姓名：张青指导教师：桂江生（副教授）完成日期：2016年4月14日浙江理工大学硕士学位论文基于词袋模型的图像分类的研究摘要近些年来，随着互联网和多媒体技术的飞速发展，数字资源正处于指数式的增长状态，数字图像作为数

2、字资源中的重要组成部分，已经进入人们生活的方方面面，如何对这些数字图像进行快速准确的分类，成为了人们研究的热点。词袋模型作为基于局部特征的图像分类方法在图像分类领域取得了巨大的成功，支持向量机分类器因其简单且行之有效的优点被广泛应用于图像分类领域。本文对基于词袋模型的图像分类进行了以下研究：首先针对词袋模型中K均值算法计算复杂度高以及聚类过程中将所有特征点同等对待的问题，本文提出了一种基于简单随机采样和特征加权的K均值算法，简称SRW-K均值算法，算法通过给采样后的特征点添加权重以及约束条件（集群内离散度、全局数据离散度），使得每个簇拥有最大的

3、紧密性，聚类中心之间的距离达到最大值。SRW-K均值算法不仅降低了计算复杂度，而且提高了聚类的性能。本文将SRW-K均值算法与其他先进的四种算法在三个数据集（VOC2007、UIUCsport、Caltech-101）上分别进行实验，结果表明，采用SRW-K均值算法的词袋模型的分类精度最高，与K均值算法相比，采用SRW-K均值算法的词袋模型在三个数据集上的分类精度分别提高了15.32%、10.37%和14.51%。其次针对支持向量机核函数中特征映射后的特征空间维度过高的问题，本文提出了一种基于白化变换的狄利克雷概率分布核，简称DPWT核。DPW

4、T核函数首先将原始特征空间的特征向量映射到另一个特征空间变成白化向量，然后在这个特征空间中，通过对白化向量进行分类从而达到对原始特征向量分类的目的。DPWT核函数不仅使映射后的特征空间与原始特征空间保持了同样的维度，而且有效的消除了维度间的相关性，减小了数据的冗余。本文将DPWT核函数与其他先进的五种核函数在三个数据集上分别进行实验，结果表明，采用DPWT核函数的词袋模型的分类精度最高，与Linear核函数相比，采用DPWT核函数的词袋模型在三个数据集上的分类精度分别提高了17.11%、14.33%和23.44%。最后为了进一步提高图像分类的精

5、度，本文将SRW-K均值算法与DPWT核函数同时应用到词袋模型中对图像进行分类，结果表明，与Linear+Kmeans相比，采用SRW+DPWT的词袋模型在三个数据集上的分类精度分别提高了21.95%、15.3%和28.44%。关键词：词袋模型；特征聚类；核函数；图像分类I浙江理工大学硕士学位论文基于词袋模型的图像分类的研究ResearchonImageClassificationbasedonBag-of-WordsABSTRACTInrecentyears,withtherapiddevelopmentoftheInternetandmul

6、timediatechnology,digitalresourceshaveexperiencedanexponentialgrowthstate.Moreover,asanimportantpartofdigitalresources,digitalimagesarerelatedtomanyaspectsofourdailylife.Theproblemofhowtoclassifydigitalimagesrapidlyandaccuratelyhasbecomearesearchfocus.TheBag-of-Wordsmodelasa

7、nimageclassificationmethodwhichbasedonlocalfeatureshasachievedgreatsuccessinimageclassification.Consideringthemeritsofsimpleandeffective,asupportvectormachineclassifieriswidelyusedinimageclassification.Inthispaper,imageclassificationbasedonBag-of-Wordsmodelisstudied:Firstofa

8、ll,inordertoovercomethedefectsofK-meansalgorithminBag-of-Wordsmodel,suchash