基于詞袋模型的圖像分類系統(tǒng).pdf

1、近年來，隨著計算機的普及和多媒體技術(shù)的發(fā)展，數(shù)字圖像以其直觀、易于理解的優(yōu)勢替代了傳統(tǒng)的以文字記錄為主的方式，在各個領(lǐng)域中被廣泛應用。數(shù)字圖像給生活帶來了便利的同時，一些問題也隨之而出。面對如此龐大的圖像數(shù)量，能夠快速而準確的獲取有用信息變得十分重要。這就需要根據(jù)圖像內(nèi)容對其分類而減少等待時間。傳統(tǒng)的人工手動標注分類方法存在效率低下、主觀性強等多個問題，漸漸被計算機自動分類系統(tǒng)取代。
　　詞袋模型最早用于文字分析，后來被移植到圖像

2、上，用無序的圖像特征組合表征圖像，進而區(qū)分圖像。使用詞袋模型得到的視覺詞匯忽略圖像特征的空間聯(lián)系以及部分局部細節(jié)，影響圖像區(qū)分度，分類正確率不理想。本文使用基于詞袋模型和空間金字塔匹配方法對圖像進行分類。文中對空間金字塔改進主要是對圖像單詞進行處理，體現(xiàn)在兩個方面:
　　一是，對圖像生成的單詞進行空間金字塔匹配，這是對圖像特征的第一次加工，即對圖像單詞進行多個層次多個粒度的詞匯頻率直方圖統(tǒng)計?？臻g金字塔匹配時使用的網(wǎng)格具有空間關(guān)系

3、，所以詞匯頻率直方圖可以保留圖像部分空間信息和局部細節(jié)描述，得到的特征區(qū)分度更高。二是，空間金字塔匹配后的得到的特征再進行一次直方圖交叉核操作，對特征進行再一次加工，直方圖交叉核方法雖然比較簡單，但會大大降低特征維度，提高圖像的區(qū)分度，使同類間圖像更為相近，不同類的更加遠離。
　　在對特征進行聚類時，本文中采用基于聚類準則的改進K-means方法，聚類準則中添加了權(quán)值，基于最小加權(quán)距離對特征進行聚類，同K-means方法相比，處于