單尺度詞袋模型圖像分類方法研究.pdf

1、隨著計算機(jī)技術(shù)、互聯(lián)網(wǎng)技術(shù)的發(fā)展,網(wǎng)絡(luò)中涌現(xiàn)出了海量的圖像,如何有效管理和利用這些圖像成為了亟待研究的課題。解決該問題的突破口就是數(shù)字圖像處理技術(shù)中的圖像自動分類技術(shù)。
　　 然而,圖像自動分類技術(shù)一直是困擾圖像標(biāo)注、圖像檢索發(fā)展的學(xué)術(shù)性難題。目前,在很多的圖像分類系統(tǒng)中仍然是利用人工手動分類。由于網(wǎng)絡(luò)中日益產(chǎn)生大量的圖像,利用人工手動分類存在著工作量大而乏味,工作人員眼睛極易疲勞且效率低下,分類結(jié)果容易受分類人員主觀因素影響而

2、產(chǎn)生語義分歧等問題。因此,圖像的自動分類得到了更多的重視。圖像自動分類方法利用計算機(jī)視覺原理來代替人工進(jìn)行圖像分類,不僅可以提高效率,降低操作人員的勞動強(qiáng)度,而且使得分類結(jié)果更為客觀。
　　 本文對圖像的自動分類展開研究,當(dāng)前在圖像分類領(lǐng)域里應(yīng)用較為廣泛的詞袋模型是本文分析研究的重點。傳統(tǒng)的詞袋模型的特征表示方式,在提取SIFT特征時需要構(gòu)造多尺度的極值空間導(dǎo)致計算復(fù)雜,并且對局部區(qū)域所提取的特征點數(shù)目不夠?qū)е旅枋瞿芰Σ蛔恪ａ槍?/p>

3、以上不足,本文提出一種不需要構(gòu)造極值空間,而是通過網(wǎng)格直接提取單尺度SIFT特征點并進(jìn)行特征描述,形成詞袋模型的圖像分類方法。該方法直接通過網(wǎng)格確定特征點提取位置,不但在提取更多特征點時沒有增加計算量,而且注重兼顧局部特征的全局性,使得在形成視覺詞典之后,視覺單詞之間的類間差別更大,從而更有利于利用SVM的分類。通過實驗證明單尺度SIFT詞袋模型比常規(guī)SIFT詞袋模型在查全率、查準(zhǔn)率、綜合指標(biāo)等三方面都有所提高。
　　 由于提出