基于扩展PCA图像分类模型研究

《基于扩展PCA图像分类模型研究》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、摘要随着电子技术和计算机技术的发展，使得每天都有大量的图像信息产生，如何有效地对迅速膨胀的图像进行分类、检索和管理已成为国内外研究的热点问题。近年来，基于内容的图像检索技术(Content．basedImageRetrieval：CBIR)的发展较大得提高了图像检索效率，它通过分析图像底层视觉特征的相似性来检索图像，大大改善了基于文本的图像检索技术中，依赖于人工对图像进行标注所带来的各种严重问题。但是它却不能满足普通用户按语义检索图像的需求。基于图像底层视觉特征将图像按语义进行合理的分类，将较大

2、提高CBIR系统的性能。然而，由于各特征的高维特性引发的昂贵计算代价限制了它们的应用。为了解决图像检索及分类中面临的“维数灾难”问题，主成分分析模型(PrincipleComponentAnalysis：PCA)成为近年来使用较多的图像特征降维算法之一。但是，PCA在降低维数的同时也会丢失一些对图像分类有用的关键信息。PCA抽取的主成分是依据图像特征矩阵特征值大的而保留下来的，可以保留原始矩阵较大的变异信息，但它对分类的贡献却不一定是最大的，而一些对类别的正确识别非常重要的特征，反而在维数约减的

3、过程中被滤掉。针对上述问题，在扩展PCA模型的基础上，我们提出了一种新的图像分类模型(ImageClassificationModelbasedonExtendedPCA．．EPCA)。本文较为详细的介绍了EPCA模型的原理，并在WANGdatabase图像集上验证本文提出的EPCA图像分类模型的可行性并与其它经典分类模型的性能进行了比较。根据我们的实验结果，EPCA模型是一种可行的、有效的图像分类模型，取得了比l(NN模型更好的分类效果，与目前在图像分类中表现优越的SVM模型性能相当。本文的工

4、作和创新主要有以下两点：1．通过研究和分析PCA模型的特点，扩展了该模型，并在此基础上提出了一种新的图像分类模型j基于扩展PCA图像分类模型(ImageClassificationModelbasedonExtendedPCA：EPCA)；2．在公用的图像数据集WANGdatabase上，验证和分析了EPCA模型的分类性能，讨论了成分数对EPCA模型的影响以及与其它分类模型的性能比较问题。关键词：基于内容的图像检索；图像分类；主成分分析；ABSTRACT舡thedevelopmentofthet

5、echnologyofelectronicandcomputer,alargenumberofimagescomeouteveryday,howtoclassify，retrievalandmanagetheimageinrapidexpansioneffectivelyhasbecomearesearchhotspotathomeandabroad．Recently,thegrowthofContent—basedimageretrieval(CBIR)hasgreatlyimprovedth

6、eefficiencyofimageretrieval，whichsearchimagebyanalyzingthesimilarityamongImageLow．1evelVisualFeaturesandsolvesomeproblemsbroughtbyText-basedImageRetrieval．However，itcan’tmeetcommonusers’retrievalrequirementsimageusingthesemanticofimages．Therefore，aut

7、omatedimagesemanticclassificationbasedonImageLow—levelVisualFeaturesisproposedandwillimprovetheperformanceofCBIRsystemsgreatly．However,highcostincomputingarisingfromthehigh_dimensionalcharacteristicsofeachfeaturehaslimitedthcirapplication．Tosolvethec

8、urseofDimensionalityprobleminimageretrievalandclassification，PrincipleComponentAnalysis(PCA)hasbecomeoneofthepopulardimensionalityreductionalgorithms．However,weobservethatwhenPCAisusedtoreducedimensionalityforimageprocessing,itextractstheprincipalcom