基于支持向量機(jī)的圖像分類和檢索研究.pdf

1、基于內(nèi)容的圖像檢索(Content-BasedImageRetrieval，簡(jiǎn)稱為CBIR)技術(shù)發(fā)展到今天，在取得一定成功的同時(shí)，也面臨著極大的挑戰(zhàn)。如何提取能充分表達(dá)圖像內(nèi)容的低層特征，以及如何在圖像的低層特征和高層語義之間建立關(guān)聯(lián)一直是基于內(nèi)容圖像檢索技術(shù)中尚未完全解決的問題。支持向量機(jī)方法(SupportVectorMachine，簡(jiǎn)稱為SVM)是近年來興起的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的機(jī)器學(xué)習(xí)方法，在模式識(shí)別的許多領(lǐng)域都有很好的應(yīng)用

2、。本文主要研究在圖像識(shí)別、圖像分類、圖像檢索這一特定領(lǐng)域，利用支持向量機(jī)良好的泛化能力，借助圖像的的低層特征表示，學(xué)習(xí)圖像的高層類別屬性，并以此為基礎(chǔ)，嘗試構(gòu)建能部分表達(dá)高層語義的圖像特征表示，從而提高檢索系統(tǒng)的識(shí)別能力，使其能夠真正達(dá)到實(shí)用。 論文首先研究了圖像的低層特征表示問題。各種基于顏色直方圖的圖像特征表示在基于內(nèi)容的圖像檢索中有著廣泛的應(yīng)用，但它們的高維特性引發(fā)的昂貴計(jì)算代價(jià)卻限制了它們的進(jìn)一步應(yīng)用。論文剖析了現(xiàn)有的多

3、種各具特色的基于顏色直方圖的圖像特征表示在用于圖像識(shí)別時(shí)的冗余性，并在不損失這些高維圖像特征表示識(shí)別能力前提下采用主成分分析方法有效消除其冗余性。 彩色圖像自動(dòng)歸于語義類別的研究對(duì)于在大型圖像數(shù)據(jù)庫中圖像的瀏覽和檢索有著重要的意義，但借助低層視覺特征進(jìn)行圖像自動(dòng)分類又是一項(xiàng)難度很大的工作。支持向量機(jī)方法將分類問題和回歸問題轉(zhuǎn)化為二次規(guī)劃問題，使分類更加精確，克服了傳統(tǒng)分類方法如神經(jīng)網(wǎng)絡(luò)等的結(jié)構(gòu)和權(quán)重的不確定性等缺點(diǎn)，但同時(shí)也增大

4、了計(jì)算量。論文提出了一種基于壓縮顏色直方圖和支持向量機(jī)的彩色圖像自動(dòng)分類策略，采用五種不同的基于顏色的直方圖特征向量表示彩色圖像的內(nèi)容，采用主成分分析方法消除高維直方圖特征向量的噪音(不相關(guān)信息)，并降低特征向量的維數(shù)，再把降低維數(shù)以后的直方圖送進(jìn)支持向量機(jī)訓(xùn)練分類器，利用支持向量機(jī)方法從這些基于顏色的圖像低層特征表示中學(xué)習(xí)圖像的類別特征，并進(jìn)行彩色圖像的自動(dòng)歸類。論文的研究成果可以一方面可以在提高系統(tǒng)識(shí)別能力的基礎(chǔ)上有效減少相關(guān)反饋的

5、計(jì)算代價(jià)，提高系統(tǒng)的響應(yīng)速度；另一方面較小的特征向量維數(shù)使得系統(tǒng)在可用樣本較少的情況下也可以重新分類，因而能有效改進(jìn)基于內(nèi)容的圖像檢索系統(tǒng)的的可用性。 基于內(nèi)容的圖像檢索無法真正支持基于語義的圖像檢索，其關(guān)鍵性的局限在于只涉及了圖像視覺特征，而沒有利用知識(shí)進(jìn)一步挖掘圖像的語義內(nèi)涵。論文提出一種基于支持向量機(jī)分類器的圖像潛在語義特征(SVMsClassifierBasedImageDescriptor，簡(jiǎn)稱為SCBID)的提取方法

6、，結(jié)合SCBID特征和不同用戶的不同檢索目的，論文提出三種不同的的圖像檢索策略。SCBID特征提取方法在繼承了傳統(tǒng)低層圖像特征表示固有優(yōu)點(diǎn)的同時(shí)，借助支持向量機(jī)強(qiáng)大的學(xué)習(xí)能力融合了圖像的類別屬性以及語義信息。實(shí)驗(yàn)結(jié)果表明基于SCBID方法的三種檢索策略其檢索效果盡管略有不同，但都好于傳統(tǒng)的基于直方圖的檢索策略，并能實(shí)現(xiàn)一定程度的語義檢索，而且這種基于機(jī)器學(xué)習(xí)方法的特征提取減輕了檢索系統(tǒng)相關(guān)反饋對(duì)用戶的過度依賴，另外，較之傳統(tǒng)直方圖SCB