基于支持向量機的圖像分類和檢索研究.pdf

1、基于內(nèi)容的圖像檢索(Content-BasedImageRetrieval，簡稱為CBIR)技術(shù)發(fā)展到今天，在取得一定成功的同時，也面臨著極大的挑戰(zhàn)。如何提取能充分表達圖像內(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。支持向量機方法(SupportVectorMachine，簡稱為SVM)是近年來興起的一種基于結(jié)構(gòu)風(fēng)險最小化的機器學(xué)習(xí)方法，在模式識別的許多領(lǐng)域都有很好的應(yīng)用

2、。本文主要研究在圖像識別、圖像分類、圖像檢索這一特定領(lǐng)域，利用支持向量機良好的泛化能力，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)建能部分表達高層語義的圖像特征表示，從而提高檢索系統(tǒng)的識別能力，使其能夠真正達到實用。 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)的昂貴計算代價卻限制了它們的進一步應(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別時的冗余性，并在不損失這些高維圖像特征表示識別能力前提下采用主成分分析方法有效消除其冗余性。 彩色圖像自動歸于語義類別的研究對于在大型圖像數(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行圖像自動分類又是一項難度很大的工作。支持向量機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，但同時也增大

4、了計算量。論文提出了一種基于壓縮顏色直方圖和支持向量機的彩色圖像自動分類策略，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)以后的直方圖送進支持向量機訓(xùn)練分類器，利用支持向量機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，并進行彩色圖像的自動歸類。論文的研究成果可以一方面可以在提高系統(tǒng)識別能力的基礎(chǔ)上有效減少相關(guān)反饋的

5、計算代價，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，而沒有利用知識進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分類器的圖像潛在語義特征(SVMsClassifierBasedImageDescriptor，簡稱為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)點的同時，借助支持向量機強大的學(xué)習(xí)能力融合了圖像的類別屬性以及語義信息。實驗結(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，并能實現(xiàn)一定程度的語義檢索，而且這種基于機器學(xué)習(xí)方法的特征提取減輕了檢索系統(tǒng)相關(guān)反饋對用戶的過度依賴，另外，較之傳統(tǒng)直方圖SCB