基于擴(kuò)展PCA圖像分類(lèi)模型研究.pdf

1、隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，使得每天都有大量的圖像信息產(chǎn)生，如何有效地對(duì)迅速膨脹的圖像進(jìn)行分類(lèi)、檢索和管理已成為國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。近年來(lái)，基于內(nèi)容的圖像檢索技術(shù)（Content-based Image Retrieval：CBIR）的發(fā)展較大得提高了圖像檢索效率，它通過(guò)分析圖像底層視覺(jué)特征的相似性來(lái)檢索圖像，大大改善了基于文本的圖像檢索技術(shù)中，依賴于人工對(duì)圖像進(jìn)行標(biāo)注所帶來(lái)的各種嚴(yán)重問(wèn)題。但是它卻不能滿足普通用戶按語(yǔ)義檢索圖像的

2、需求?；趫D像底層視覺(jué)特征將圖像按語(yǔ)義進(jìn)行合理的分類(lèi)，將較大提高CBIR系統(tǒng)的性能。 然而，由于各特征的高維特性引發(fā)的昂貴計(jì)算代價(jià)限制了它們的應(yīng)用。為了解決圖像檢索及分類(lèi)中面臨的“維數(shù)災(zāi)難”問(wèn)題，主成分分析模型（PrincipleComponent Analysis：PCA）成為近年來(lái)使用較多的圖像特征降維算法之一。但是，PCA在降低維數(shù)的同時(shí)也會(huì)丟失一些對(duì)圖像分類(lèi)有用的關(guān)鍵信息。PCA抽取的主成分是依據(jù)圖像特征矩陣特征值大的而

3、保留下來(lái)的，可以保留原始矩陣較大的變異信息，但它對(duì)分類(lèi)的貢獻(xiàn)卻不一定是最大的，而一些對(duì)類(lèi)別的正確識(shí)別非常重要的特征，反而在維數(shù)約減的過(guò)程中被濾掉。 針對(duì)上述問(wèn)題，在擴(kuò)展PCA模型的基礎(chǔ)上，我們提出了一種新的圖像分類(lèi)模型（Image Classification Model based on Extended PCA：EPCA）。本文較為詳細(xì)的介紹了EPCA模型的原理，并在WANG database圖像集上驗(yàn)證本文提出的EPCA圖

4、像分類(lèi)模型的可行性并與其它經(jīng)典分類(lèi)模型的性能進(jìn)行了比較。根據(jù)我們的實(shí)驗(yàn)結(jié)果，EPCA模型是一種可行的、有效的圖像分類(lèi)模型，取得了比KNN模型更好的分類(lèi)效果，與目前在圖像分類(lèi)中表現(xiàn)優(yōu)越的SVM模型性能相當(dāng)。 本文的工作和創(chuàng)新主要有以下兩點(diǎn)： 1．通過(guò)研究和分析PCA模型的特點(diǎn)，擴(kuò)展了該模型，并在此基礎(chǔ)上提出了一種新的圖像分類(lèi)模型：基于擴(kuò)展PCA圖像分類(lèi)模型（Image Classification Model based