基于集成投影及卷積神經(jīng)網(wǎng)絡(luò)的建筑風(fēng)格分類算法研究.pdf

1、隨著多媒體、數(shù)據(jù)庫、海量存儲(chǔ)、網(wǎng)絡(luò)等信息技術(shù)的高速發(fā)展，數(shù)字圖像正以數(shù)以億計(jì)的數(shù)量不斷增加。在這海量的數(shù)字圖像當(dāng)中，如何快速的對圖像進(jìn)行有效的組織和分類，成為目前最主要的工作。本文提出了基于集成投影的二次分類算法（Secondary classification based on Ensemble Projection, SEP）對建筑風(fēng)格圖像進(jìn)行分類。同時(shí)，由于卷積神經(jīng)網(wǎng)絡(luò)在圖像分類方面有一定的研究成果，所以本文也用卷積神經(jīng)網(wǎng)絡(luò)對建筑

2、風(fēng)格圖像進(jìn)行分類。本文主要研究建筑風(fēng)格圖像分類問題。由于不同建筑風(fēng)格之間具有一定的相似性，同一種建筑風(fēng)格之間隨著地域的變化具有一定的差異性，導(dǎo)致建筑風(fēng)格分類存在一定的困難，傳統(tǒng)的建筑風(fēng)格分類算法不能很好的解決此問題。
　　本研究用SEP算法對建筑風(fēng)格圖像進(jìn)行分類。建筑風(fēng)格圖像中存在樹木、天空等非建筑物元素，這些元素將會(huì)降低圖像分類的準(zhǔn)確性。為了提取出建筑風(fēng)格圖像中建筑物元素，降低非建筑物元素對分類效果的影響，本文首先采用可變性的部

3、件模型（Deformable Parts Models, DPM）對建筑風(fēng)格圖像數(shù)據(jù)集進(jìn)行預(yù)處理，然后用SEP算法對預(yù)處理后的圖像進(jìn)行分類。SEP算法分為兩部分：無監(jiān)督的特征學(xué)習(xí)過程和有監(jiān)督的分類過程。在無監(jiān)督的特征學(xué)習(xí)過程中采用最大最小采樣方法確定樣本點(diǎn)，此方法利用樣本點(diǎn)之間的最大距離來確定不同類，用樣本點(diǎn)之間的最小距離來確定相同類，從而解決了不同建筑風(fēng)格之間的相似性和同種建筑風(fēng)格之間的差異性問題。在有監(jiān)督分類過程中采用二次分類的思想

4、對圖像進(jìn)行分類，二次分類的分界點(diǎn)用加權(quán)平均的方法確定。采用卷積神經(jīng)網(wǎng)絡(luò)對建筑風(fēng)格圖像進(jìn)行分類，對圖像進(jìn)行分類之前，也使用DPM算法對圖像進(jìn)行預(yù)處理。預(yù)處理后的圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過多層卷積抽象組合底層特征形成抽象的高層特征，然后用高層特征進(jìn)行分類。用SEP算法和卷積神經(jīng)網(wǎng)絡(luò)分別對十類和二十五類建筑風(fēng)格圖像進(jìn)行分類實(shí)驗(yàn)驗(yàn)證。SEP算法結(jié)合SVM對十類和二十五類的建筑風(fēng)格圖像的分類正確率分別為0.7821和0.5535，結(jié)合LR的相