基于概率主題模型的圖像場(chǎng)景分類研究.pdf

1、信息科學(xué)和技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)、多媒體、移動(dòng)設(shè)備存儲(chǔ)和傳輸?shù)臄?shù)據(jù)迅猛增長使這個(gè)高度信息化的時(shí)代充滿生機(jī)與活力。以計(jì)算機(jī)和互聯(lián)網(wǎng)為代表的高新技術(shù)，不斷應(yīng)用在現(xiàn)實(shí)生活的方方面面，產(chǎn)生了巨大的經(jīng)濟(jì)效益，提高了社會(huì)和人們生活的質(zhì)量。
　　在這些數(shù)據(jù)中，各種設(shè)備，尤其是移動(dòng)設(shè)備，產(chǎn)生的圖像是非常龐大的一類數(shù)據(jù)，并且數(shù)據(jù)量也在與日俱增，而基于圖像的各種應(yīng)用也成為了研究的熱點(diǎn)，本文要研究的圖像場(chǎng)景分類便是圖像處理領(lǐng)域里一類非常有價(jià)值的課題。圖

2、像數(shù)據(jù)復(fù)雜多樣，數(shù)量巨大，因此對(duì)研究也造成了很大困難。
　　從圖像分類提出至今，研究者已經(jīng)提出了很多分類算法。而以潛在語義分析(LatentSemantic Analysis，LSA)、概率潛在語義分析(Probabilistic Latent Semantic Analysis，PLSA)和隱狄利克雷分布(Latent Dirichlet Allocation，LDA)為代表的主題分類模型是近年來研究的最多的，PLSA和LDA概

3、率主題模型是本文研究的重點(diǎn)。本文首先介紹了圖像場(chǎng)景分類的發(fā)展背景、研究現(xiàn)狀及相關(guān)應(yīng)用。接著介紹了本文用到的模型和技術(shù)，包括PLSA和LDA概率主題模型的工作原理，K近鄰(K-Nearest Neighbor, KNN)和支持向量機(jī)(Support VectorMachine，SVM)分類器的工作原理，然后根據(jù)已有的模型和算法提出了改進(jìn)模型，進(jìn)行了場(chǎng)景分類實(shí)驗(yàn)并對(duì)結(jié)果進(jìn)行了分析和對(duì)比。主要研究內(nèi)容如下:
　　一方面，本文提出了一種主

4、題生成模型和判別模型混合的框架，將無監(jiān)督的主題生成模型與有監(jiān)督的分類器結(jié)合起來進(jìn)行圖像場(chǎng)景分類。在底層特征提取時(shí)，將顏色、空間和形狀特征結(jié)合，量化形成視覺詞和視覺詞典。提取空間特征時(shí)使用了改進(jìn)的鏈碼法表示全局空間特征，而對(duì)于顏色特征，分別在RGB、HSV和Lab顏色空間分塊提取局部顏色特征。PLSA模型作為中間表示層，被用來降低特征向量的維度，并得到訓(xùn)練圖像或測(cè)試圖像的視覺主題分布。在進(jìn)行分類判別時(shí)，采用了一種混合分類器KNN-SVM，

5、對(duì)通過PLSA模型處理后的潛在主題的概率分布進(jìn)行分類判別。
　　另一方面，本文改進(jìn)了LDA模型并應(yīng)用于圖像場(chǎng)景分類中。特征提取時(shí)加入了SIFT特征，分塊提取局部特征再計(jì)算全局視覺詞，并與顏色、空間形狀等特征融合;分類判別時(shí)應(yīng)用自己提出的混合分類器KNN-SVM。
　　進(jìn)行分類實(shí)驗(yàn)時(shí)，取圖像數(shù)據(jù)集中的一部分作為訓(xùn)練圖像集，訓(xùn)練PLSA和LDA模型的最優(yōu)參數(shù)，提取視覺詞并得到潛在主題的概率分布;而圖像集中剩下的部分則用來測(cè)試和檢