融合AP聚類(lèi)的視覺(jué)字典容量獲取及其PLSA場(chǎng)景分類(lèi)評(píng)價(jià).pdf

1、場(chǎng)景分類(lèi)是圖像理解研究的熱點(diǎn)，是研究人類(lèi)理解圖像語(yǔ)義含義的重要方向之一。近年以來(lái)，場(chǎng)景分類(lèi)在醫(yī)學(xué)圖像的識(shí)別、計(jì)算機(jī)視覺(jué)、圖像檢索等領(lǐng)域具有重要的應(yīng)用前景。隨著時(shí)代的進(jìn)步，人類(lèi)所產(chǎn)出的數(shù)字圖像數(shù)量越來(lái)越大，只依靠人工標(biāo)注的方式對(duì)圖像進(jìn)行標(biāo)注獲取圖像特征，然后再進(jìn)行分類(lèi)的方法已不能滿足人類(lèi)的需求，因此，自動(dòng)化的場(chǎng)景分類(lèi)的研究越來(lái)越重要。目前，場(chǎng)景分類(lèi)的經(jīng)典流程是:圖像特征提取、構(gòu)建視覺(jué)字典、選取算法分類(lèi)等。其中構(gòu)建視覺(jué)字典是場(chǎng)景分類(lèi)中的關(guān)鍵

2、環(huán)節(jié)之一，本文采用AP(Affinity propagation，吸引子傳播)聚類(lèi)算法自動(dòng)獲取視覺(jué)字典容量來(lái)構(gòu)建，相對(duì)于經(jīng)典的大量試驗(yàn)去獲得的方法，效率顯著提高。另外，本文選取了PLSA(probabilistic latent semantic analysis)算法構(gòu)建概率生成模型進(jìn)行場(chǎng)景分類(lèi)。本文的主要工作如下:
　　第一，本文介紹場(chǎng)景分類(lèi)的相關(guān)背景知識(shí)和它們的研究意義，同時(shí)分析了聚類(lèi)算法和獲取視覺(jué)字典容量的研究現(xiàn)狀。

3、>　　第二，本文給出了場(chǎng)景分類(lèi)的基本流程圖。介紹了獲取SIFT(Scale-invariant featuretransform，尺度不變特征轉(zhuǎn)換)特征的過(guò)程、K-均值聚類(lèi)算法和AP聚類(lèi)算法，另外還分析了隨機(jī)產(chǎn)生的100個(gè)數(shù)據(jù)點(diǎn)的聚類(lèi)結(jié)果和比較它們的優(yōu)缺點(diǎn)。同時(shí)詳細(xì)介紹了PLSA算法。
　　第三，本文深入研究提取SIFT特征的幾種方法，并通過(guò)實(shí)驗(yàn)分析了采用均勻網(wǎng)格采樣法和隨機(jī)采樣法來(lái)提取圖像的SIFT特征的優(yōu)缺點(diǎn)，最后得出采用均勻

4、采樣法更適合本文對(duì)場(chǎng)景分類(lèi)的研究。
　　第四，本文分別采用K-均值聚類(lèi)算法和AP聚類(lèi)算法獲取視覺(jué)字典容量，然后用PLSA算法進(jìn)行場(chǎng)景分類(lèi)，并分析采用這兩種方法的優(yōu)缺點(diǎn)。經(jīng)典的采用K-均值聚類(lèi)算法需要大量的試驗(yàn)才可以獲得碼本，而AP聚類(lèi)算法一次就可以自動(dòng)獲得碼本，顯著提高了場(chǎng)景分類(lèi)的效率。另外研究PLSA算法和采用PLSA算法進(jìn)行場(chǎng)景分類(lèi)的過(guò)程以及研究了PLSA算法的輸入?yún)?shù)k（主題數(shù)）的選取，通過(guò)選取不同的主題數(shù)進(jìn)行實(shí)驗(yàn)，并分析每

5、一次實(shí)驗(yàn)的結(jié)果，最后得出比較合理的主題數(shù)。
　　第五，本文對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。首先分析采用K-means聚類(lèi)算法獲得碼本和采用AP聚類(lèi)算法自動(dòng)獲得碼本并進(jìn)行的場(chǎng)景圖像的分類(lèi)的兩組實(shí)驗(yàn)結(jié)果。結(jié)果表明，采用AP聚類(lèi)算法獲得碼本的場(chǎng)景分類(lèi)比K-means聚類(lèi)算法獲得碼本的場(chǎng)景分類(lèi)的識(shí)別率和效率都要高。然后分析在不同的主題數(shù)七的PLSA的場(chǎng)景分類(lèi)的實(shí)驗(yàn)結(jié)果，作出它們各自的實(shí)驗(yàn)識(shí)別率的曲線圖，從圖中可知，當(dāng)主題數(shù)為55時(shí)可以獲得比較高的識(shí)別