視覺詞袋模型架構(gòu)下的圖像分類算法研究.pdf

1、圖像分類是計(jì)算機(jī)視覺研究的重要分支，其目的是根據(jù)圖像包含的視覺信息，將圖像劃分到其所屬的特定語(yǔ)義類別。圖像分類研究能夠?qū)崿F(xiàn)對(duì)圖像內(nèi)容的自動(dòng)理解，是實(shí)現(xiàn)圖像語(yǔ)義內(nèi)容自動(dòng)提取的重要途徑，也是解決從圖像信息到人類語(yǔ)義之間“語(yǔ)義鴻溝”的主要手段。近十年來(lái)，視覺詞袋模型架構(gòu)下的圖像分類算法取得了很大的成功，但仍然存在一些需要解決的難題：1）視覺字典的最佳表示方式至今沒有公論，不同的字典構(gòu)造方法會(huì)影響圖像分類的性能；2）圖像特征的選擇、圖像特征提取

2、時(shí)的采樣策略、特征編碼方式等因素都會(huì)對(duì)分類性能產(chǎn)生較大的影響；3）隨著電子設(shè)備與互聯(lián)網(wǎng)的普及，圖像數(shù)據(jù)越來(lái)越豐富，數(shù)據(jù)規(guī)模越來(lái)越龐大，在圖像分類任務(wù)中亟需計(jì)算效率高、存儲(chǔ)代價(jià)小、分類準(zhǔn)確度高的算法。針對(duì)上述難題，提出了下列圖像分類算法。具體研究工作與創(chuàng)新點(diǎn)如下：
　　1.鑒于K均值聚類算法的聚類結(jié)果易受初始化過程影響，通過分析K均值聚類算法現(xiàn)有初始化過程的不足，提出了基于數(shù)據(jù)內(nèi)在空間局部密度關(guān)系的K均值初始化框架AIF-SLI。該

3、框架在數(shù)據(jù)局部密度高的區(qū)域內(nèi)選取初始聚類中心，并確保選取的初始聚類中心保持一定的距離，從而避免選取噪聲點(diǎn)或離群點(diǎn)。由于很難給數(shù)據(jù)密度準(zhǔn)確定義，給出了基于t-近鄰和基于∈-鄰域的兩個(gè)AIF-SLI框架近似實(shí)現(xiàn)算法。實(shí)驗(yàn)表明，提出的AIF-SLI框架具有：1）能夠高效地找到滿足初始聚類中心要求的數(shù)據(jù)樣本；2）有效地減少K均值的迭代次數(shù)；3）對(duì)噪聲數(shù)據(jù)魯棒；4）易于實(shí)現(xiàn)等優(yōu)點(diǎn)。在圖像分類實(shí)驗(yàn)中，AIF-SLI框架能夠獲取更具有判別性的視覺字典

4、，提高圖像分類準(zhǔn)確度。通過進(jìn)一步延伸，提出的AIF-SLI初始化框架可擴(kuò)展為一般性的聚類算法，而不必拘泥于為K均值或其他聚類算法。
　　2.鑒于不同尺度的特征編碼揭示圖像不同方面的視覺屬性，提出了一種多分辨率特征編碼方法。多分辨率特征編碼以自適應(yīng)加權(quán)的方式組合多個(gè)小規(guī)模視覺字典下的特征編碼，從不同的分辨率角度獲取圖像的視覺信息，使其達(dá)到與單一大規(guī)模視覺字典下特征編碼具有相同甚至更高的圖像分類準(zhǔn)確度，但計(jì)算復(fù)雜度更低且對(duì)存儲(chǔ)空間的需

5、求更少。為實(shí)現(xiàn)自適應(yīng)組合，提出了一種改進(jìn)的OPA（Online Passive-Aggressive）算法來(lái)獲取不同分辨率下特征編碼加權(quán)權(quán)值，并推導(dǎo)出求解加權(quán)權(quán)值系數(shù)的閉式解。同時(shí)，提出的多分辨率特征編碼方法可輕易地?cái)U(kuò)展到其它特征編碼策略，如軟編碼和稀疏編碼等。實(shí)驗(yàn)表明，使用相同的字典構(gòu)造和特征編碼方式時(shí)，提出的多分辨率特征編碼方法：1）能夠獲得與大尺度字典的視覺詞袋模型算法相同甚至更高的圖像分類準(zhǔn)確度；2）處理相同規(guī)模的圖像數(shù)據(jù)所需計(jì)

6、算時(shí)間更短，消耗的存儲(chǔ)空間更少。
　　3.鑒于多核學(xué)習(xí)算法的高計(jì)算復(fù)雜度，以及當(dāng)前圖像分類的高效率需求，提出了兩個(gè)多視覺特征自主加權(quán)組合算法：基于中心化核配準(zhǔn)和基于改進(jìn)OPA的加權(quán)權(quán)值學(xué)習(xí)算法。提出的兩個(gè)算法在模型訓(xùn)練階段預(yù)先依據(jù)視覺特征與圖像類別之間的相互關(guān)系賦予恰當(dāng)?shù)臋?quán)值，減少了多特征組合的計(jì)算復(fù)雜度。與多核學(xué)習(xí)算法相比，基于中心化核配準(zhǔn)和基于改進(jìn)OPA的加權(quán)權(quán)值學(xué)習(xí)算法在保持圖像分類準(zhǔn)確度非常接近的情況下，所需的計(jì)算時(shí)間分別

7、只有多核學(xué)習(xí)算法的20％左右和10%左右。實(shí)驗(yàn)結(jié)果證實(shí)提出的兩個(gè)算法在滿足確保圖像分類準(zhǔn)確度的同時(shí)，提高了多特征組合的執(zhí)行效率，降低了基于核的機(jī)器學(xué)習(xí)算法計(jì)算復(fù)雜度。
　　綜上所述，通過對(duì)視覺詞袋模型架構(gòu)的視覺字典構(gòu)造、圖像特征編碼以及模型訓(xùn)練等方面深入研究，提出了上述若干圖像分類算法及實(shí)現(xiàn)。同時(shí)，設(shè)計(jì)了一系列驗(yàn)證實(shí)驗(yàn)證實(shí)：在公認(rèn)的圖像分類數(shù)據(jù)集上，與當(dāng)前主流的圖像分類算法相比，提出的算法獲得了更高的分類準(zhǔn)確度，更低的計(jì)算復(fù)雜度和