融合LDA和多類SVM的圖像語義映射研究.pdf

1、圖像的低階可視化特征是獨立、客觀的直接可以從圖像中獲取的信息，傳統(tǒng)的基于內容圖像檢索主要利用它來完成計算機對圖像的相似性判斷。但是，人對于圖像的需求往往是基于某種語義的，而從視覺數(shù)據(jù)中可提取到的信息與用戶對相同數(shù)據(jù)的解釋卻缺乏一致性，無論提取到的低層特征如何，都很難用這些特征直接推導出語義。因此，研究圖像低層特征和高層語義之間的聯(lián)系，建立它們彼此之間的映射，就成為解決問題的關鍵。
　　 研究者普遍認為：在基于內容的圖像檢索中合理

2、的引入人工智能和機器學習技術是解決高層語義難題的有效途徑。通過機器學習相關算法進行分類或聚類來劃分圖像所屬類別從而標識圖像所表達的語義，是主要采取的方法。本文就是針對圖像低層特征到高層語義映射算法展開研究的，主要做了以下幾方面的工作：
　　 1.支持向量機(Support Vector Machine-SVM)作為新近出現(xiàn)的機器學習方法，以其良好的分類性能受到廣泛關注，取得了豐碩的研究成果。本文在分析、總結現(xiàn)有支持向量機多類分類

3、方法的優(yōu)缺點基礎之上，分析了圖像低層特征的特點，確定使用基于模糊C均值聚類的SVM多類分類方法作為機器學習算法，建立分類二叉樹來完成圖像低層特征到高層語義的映射，并分析了選擇此分類策略的原因。
　　 2.傳統(tǒng)的基于聚類的SVM多類分類方法在聚類時并不考慮樣本的類別信息，最終形成的二叉樹分支一般很多，當遇到圖像低層特征這樣異類樣本特征相近的情況時該方法性能下降明顯。針對這一問題，本文將線性判別分析法(Linear Discrimi

4、nant Analysis-LDA)引入二叉樹建樹過程之中，提出融合LDA的SVM多類分類方法。每次在對待訓練樣本集聚類之前先進行優(yōu)化處理，通過尋找最佳投影子空間使得同類樣本聚集、異類樣本松散，從而優(yōu)化二叉樹結構，以此改進分類效果。在UCI數(shù)據(jù)集上的實驗結果表明本文方法減少了二叉樹分支的同時提高了分類的準確率。
　　 3.詳細討論了融合LDA的SVM多類分類方法在圖像語義映射中的具體實現(xiàn)與應用。通過Corel圖像庫上的實驗表明，