基于概率主題模型的圖像場景分類研究.pdf

1、信息科學(xué)和技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)、多媒體、移動設(shè)備存儲和傳輸?shù)臄?shù)據(jù)迅猛增長使這個高度信息化的時代充滿生機與活力。以計算機和互聯(lián)網(wǎng)為代表的高新技術(shù)，不斷應(yīng)用在現(xiàn)實生活的方方面面，產(chǎn)生了巨大的經(jīng)濟效益，提高了社會和人們生活的質(zhì)量。
　　在這些數(shù)據(jù)中，各種設(shè)備，尤其是移動設(shè)備，產(chǎn)生的圖像是非常龐大的一類數(shù)據(jù)，并且數(shù)據(jù)量也在與日俱增，而基于圖像的各種應(yīng)用也成為了研究的熱點，本文要研究的圖像場景分類便是圖像處理領(lǐng)域里一類非常有價值的課題。圖

2、像數(shù)據(jù)復(fù)雜多樣，數(shù)量巨大，因此對研究也造成了很大困難。
　　從圖像分類提出至今，研究者已經(jīng)提出了很多分類算法。而以潛在語義分析(LatentSemantic Analysis，LSA)、概率潛在語義分析(Probabilistic Latent Semantic Analysis，PLSA)和隱狄利克雷分布(Latent Dirichlet Allocation，LDA)為代表的主題分類模型是近年來研究的最多的，PLSA和LDA概

3、率主題模型是本文研究的重點。本文首先介紹了圖像場景分類的發(fā)展背景、研究現(xiàn)狀及相關(guān)應(yīng)用。接著介紹了本文用到的模型和技術(shù)，包括PLSA和LDA概率主題模型的工作原理，K近鄰(K-Nearest Neighbor, KNN)和支持向量機(Support VectorMachine，SVM)分類器的工作原理，然后根據(jù)已有的模型和算法提出了改進模型，進行了場景分類實驗并對結(jié)果進行了分析和對比。主要研究內(nèi)容如下:
　　一方面，本文提出了一種主

4、題生成模型和判別模型混合的框架，將無監(jiān)督的主題生成模型與有監(jiān)督的分類器結(jié)合起來進行圖像場景分類。在底層特征提取時，將顏色、空間和形狀特征結(jié)合，量化形成視覺詞和視覺詞典。提取空間特征時使用了改進的鏈碼法表示全局空間特征，而對于顏色特征，分別在RGB、HSV和Lab顏色空間分塊提取局部顏色特征。PLSA模型作為中間表示層，被用來降低特征向量的維度，并得到訓(xùn)練圖像或測試圖像的視覺主題分布。在進行分類判別時，采用了一種混合分類器KNN-SVM，

5、對通過PLSA模型處理后的潛在主題的概率分布進行分類判別。
　　另一方面，本文改進了LDA模型并應(yīng)用于圖像場景分類中。特征提取時加入了SIFT特征，分塊提取局部特征再計算全局視覺詞，并與顏色、空間形狀等特征融合;分類判別時應(yīng)用自己提出的混合分類器KNN-SVM。
　　進行分類實驗時，取圖像數(shù)據(jù)集中的一部分作為訓(xùn)練圖像集，訓(xùn)練PLSA和LDA模型的最優(yōu)參數(shù)，提取視覺詞并得到潛在主題的概率分布;而圖像集中剩下的部分則用來測試和檢