場(chǎng)景圖像分類的若干問(wèn)題研究.pdf

1、場(chǎng)景圖像分類是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要問(wèn)題，利用計(jì)算機(jī)和各種圖像處理技術(shù)實(shí)現(xiàn)快速、準(zhǔn)確的場(chǎng)景圖像分類已經(jīng)成為當(dāng)下圖像研究的熱門方向，在圖像檢索、視頻檢索、醫(yī)療衛(wèi)生、安全監(jiān)控等得到了廣泛的應(yīng)用。BOW模型將圖像看成是一個(gè)文檔，由若干個(gè)視覺(jué)詞匯組成。通過(guò)將局部圖像塊的特征轉(zhuǎn)化為視覺(jué)詞匯，并對(duì)視覺(jué)詞匯進(jìn)行統(tǒng)計(jì)得到圖像的描述。這種方法簡(jiǎn)單有效，非常適合用作圖像的表示。因此，本文主要研究基于BOW模型的場(chǎng)景圖像分類，并對(duì)其中的主要模塊進(jìn)行改進(jìn)。<

2、br>　　首先，在特征提取部分，針對(duì)傳統(tǒng)SWT算法中存在計(jì)算復(fù)雜、特征向量維數(shù)過(guò)高等問(wèn)題，提出了一種新的局部特征描述子:GPCA-SIFT。該描述子將PCA-SIFT特征提取算法和GPCA圖像壓縮方法有效結(jié)合，保留了圖像像素點(diǎn)的空間位置信息，表現(xiàn)出很好的獨(dú)特性和魯棒性，同時(shí)提高了場(chǎng)景圖像的分類性能。
　　其次，在字典構(gòu)建部分，通過(guò)引入一種基于密度的快速聚類算法，提出了一種改進(jìn)的基于密度的K-means聚類算法，很好地確定了初始聚類