單尺度詞袋模型圖像分類方法研究.pdf

1、隨著計算機技術、互聯(lián)網(wǎng)技術的發(fā)展,網(wǎng)絡中涌現(xiàn)出了海量的圖像,如何有效管理和利用這些圖像成為了亟待研究的課題。解決該問題的突破口就是數(shù)字圖像處理技術中的圖像自動分類技術。
　　 然而,圖像自動分類技術一直是困擾圖像標注、圖像檢索發(fā)展的學術性難題。目前,在很多的圖像分類系統(tǒng)中仍然是利用人工手動分類。由于網(wǎng)絡中日益產(chǎn)生大量的圖像,利用人工手動分類存在著工作量大而乏味,工作人員眼睛極易疲勞且效率低下,分類結果容易受分類人員主觀因素影響而

2、產(chǎn)生語義分歧等問題。因此,圖像的自動分類得到了更多的重視。圖像自動分類方法利用計算機視覺原理來代替人工進行圖像分類,不僅可以提高效率,降低操作人員的勞動強度,而且使得分類結果更為客觀。
　　 本文對圖像的自動分類展開研究,當前在圖像分類領域里應用較為廣泛的詞袋模型是本文分析研究的重點。傳統(tǒng)的詞袋模型的特征表示方式,在提取SIFT特征時需要構造多尺度的極值空間導致計算復雜,并且對局部區(qū)域所提取的特征點數(shù)目不夠導致描述能力不足。針對

3、以上不足,本文提出一種不需要構造極值空間,而是通過網(wǎng)格直接提取單尺度SIFT特征點并進行特征描述,形成詞袋模型的圖像分類方法。該方法直接通過網(wǎng)格確定特征點提取位置,不但在提取更多特征點時沒有增加計算量,而且注重兼顧局部特征的全局性,使得在形成視覺詞典之后,視覺單詞之間的類間差別更大,從而更有利于利用SVM的分類。通過實驗證明單尺度SIFT詞袋模型比常規(guī)SIFT詞袋模型在查全率、查準率、綜合指標等三方面都有所提高。
　　 由于提出