圖像分類和圖像匹配中若干問題的研究.pdf

1、圖像分類和匹配作為圖像理解、機器視覺、模式識別等領(lǐng)域中的兩項關(guān)鍵技術(shù)，也是近期以來的研究熱點。圖像分類和圖像匹配的理論和算法研究，應(yīng)用于遙感圖像信號處理、醫(yī)療圖像分析、特征識別、目標識別、圖像檢索、運動估計、車輛導航以及基于機器視覺的工業(yè)檢測等諸多領(lǐng)域，受到了廣泛的關(guān)注。
　　無論是對于圖像分類還是圖像匹配而言，圖像的特征提取和表示都是十分關(guān)鍵的問題。不同的方法都有著各自的優(yōu)、缺點。尋找獲取圖像的有效特征表示的方法，從而減少語義鴻

2、溝將是一項長期的研究目標。對于圖像分類問題而言，基于聚類的方法比較簡單，但往往缺乏視覺上的精確表達?；诒O(jiān)督學習的分類方法盡管較之更為系統(tǒng)化，卻要面對缺乏有效的訓練數(shù)據(jù)的問題。相對于剛性圖像匹配，非剛性圖像匹配更具有普遍性。近年來對此進行了大量的研究，但是針對復雜形變圖像匹配的問題還亟待解決。設(shè)計一個可以處理圖像中形變、遮擋以及噪聲等諸多問題的簡單、有效、魯棒的方案仍極具挑戰(zhàn)性。
　　本文對圖像分類和圖像匹配兩個基本技術(shù)進行了深入

3、的分析和研究。論文研究內(nèi)容涉及圖像的特征提取、表達，統(tǒng)計學習理論，抽樣選擇性偏差理論，尺度空間理論，優(yōu)化算法等方面。在前人的工作的基礎(chǔ)上，在解決圖像分類中已標注圖像訓練樣本稀缺和非剛性輪廓匹配等問題開展了具有創(chuàng)新性的工作，主要體現(xiàn)在以下四個方面:
　　1.為了解決已標注訓練數(shù)據(jù)稀疏性的問題，提出一種有效利用類似主題輔助數(shù)據(jù)的基于支持向量機的分類算法AuxSVM。首先，利用局部特征和矢量量化技術(shù)構(gòu)造表示圖像的視覺詞典?；谠撘曈X詞典

4、，利用“Bag of Keypoints”的方法實現(xiàn)對圖像的描述。基于適用于有限樣本學習的支持向量機方法，利用類似主題的輔助圖像數(shù)據(jù)，設(shè)計有效的分類方案。實驗顯示，系統(tǒng)性能得到了顯著的提高。
　　2.提出一種有效利用輔助數(shù)據(jù)的半監(jiān)督分類算法AuxTSVM。在利用類似主題輔助數(shù)據(jù)的同時，基于聚類假設(shè)，設(shè)計有效整合未標注目標圖像中信息的分類算法，達到提升分類精度的效果。
　　3.引入基于核密度估計技術(shù)的分類框架實現(xiàn)圖像分類。針對

5、傳統(tǒng)機器學習中的“固定分布假設(shè)”不滿足的情況，假設(shè)訓練數(shù)據(jù)和測試數(shù)據(jù)之間的差異主要是源自于抽樣選擇偏差所導致的不同分布。利用核密度估計技術(shù)對訓練數(shù)據(jù)集和測試數(shù)據(jù)集的潛在概率分布進行估計。當完成概率分布的估計工作之后，采用重加權(quán)技術(shù)自動調(diào)整訓練集的概率分布?；诖丝蚣苁沟脗鹘y(tǒng)的分類算法可以有效地利用經(jīng)過修正的訓練圖像進行知識學習，從而能夠更好的實現(xiàn)針對目標圖像的分類。
　　4.提出一個使用基函數(shù)的非剛性輪廓匹配算法。利用弧長對待匹配