圖像語義分類方法研究.pdf

1、以計(jì)算機(jī)技術(shù)、微電子技術(shù)和通信技術(shù)為特征的現(xiàn)代信息技術(shù)的發(fā)展帶來了越來越多的多媒體數(shù)據(jù)。由于圖像信息內(nèi)容豐富、表現(xiàn)直觀,一直是人們非常重要的信息獲取來源。如何從海量圖像信息中檢索出需要的圖像,以滿足人們的不同需求,已成為研究者重點(diǎn)關(guān)注的問題。早期基于文本的圖像檢索,因主觀性和不確定性等缺陷已無法滿足人們需求?；趦?nèi)容的圖像檢索技術(shù)依賴于圖像的低層視覺特征,與人們理解的圖像高層語義之間并沒有直接的聯(lián)系。如何突破圖像低層視覺特征的限制,跨越

2、低層特征與高層語義之間的“語義鴻溝”,實(shí)現(xiàn)語義層次上的檢索,已成為圖像檢索領(lǐng)域研究的熱點(diǎn)與難點(diǎn)。
　　 論文概述了圖像處理的基礎(chǔ)知識(shí),介紹了圖像檢索技術(shù)的發(fā)展?fàn)顩r及主要研究?jī)?nèi)容,分析了現(xiàn)有的圖像檢索技術(shù)的優(yōu)缺點(diǎn),引入了圖像語義的概念,論述了圖像語義中的熱點(diǎn)及關(guān)鍵問題,提出了論文研究的重點(diǎn)-高效圖像語義提取方法。論文首先研究了基于SVM的圖像語義分類方法,選取不同的低層視覺特征作為特征組合,并使用不同核函數(shù)將圖像從低維特征空間映射

3、到高層語義空間,以解決低層特征與高層語義之間的“語義鴻溝”。仿真結(jié)果發(fā)現(xiàn),基于SVM的圖像語義分類方法具有較高的分類準(zhǔn)確率,最高可達(dá)到84.5％。SVM在假設(shè)空間中尋找最接近實(shí)際分類函數(shù)的單個(gè)分類器模型,無法結(jié)合多個(gè)分類器,性能提升空間有限。
　　 為了更好地建立圖像低層特征和高層語義的聯(lián)系,有效提升圖像分類性能,論文研究了集成學(xué)習(xí)的圖像語義分類方法,提出了基于Bagging和Adaboost算法的兩種集成學(xué)習(xí)分類方法。根據(jù)不同

4、原則選取訓(xùn)練子集并構(gòu)建各自的基分類器,然后采用不同的集成策略將基分類器形成組合分類器以實(shí)現(xiàn)圖像分類,最后分析了不同集成學(xué)習(xí)方法的分類性能的優(yōu)劣。仿真結(jié)果表明,集成學(xué)習(xí)方法能有效提升弱學(xué)習(xí)器的分類效果,基于Bagging算法的分類準(zhǔn)確率可達(dá)到87％,Adaboost算法的分類準(zhǔn)確率可達(dá)到89.5％,由于對(duì)錯(cuò)分?jǐn)?shù)據(jù)的訓(xùn)練更具有針對(duì)性,且對(duì)效率高的子分類器賦予較高權(quán)值,基于Adaboost算法的集成學(xué)習(xí)方法更適合于圖像分類。
　　 最