基于集成學習技術的圖像分類算法研究.pdf

1、集成學習是當前機器學習領域研究的一大熱點,因其具備顯著增強學習機泛化性能的能力和有效解決學習機過學習問題的優(yōu)點,而備受研究者的關注。本文就是從集成學習的角度來研究圖像分類問題,以Bag-of-Words模型描述圖像、以SVM為分類器,提出了兩種基于集成學習技術的圖像分類方法,并取得了較好的效果。本文的主要研究工作如下:
　　(1)對SVM、Bag-of-Words(BOW)模型以及集成學習技術進行了研究,三者貫穿全文是本文研究工作

2、的基礎。
　　(2)對SIFT和PLSA兩種特征提取方法進行了深入研究,兩者在本文后兩章研究工作中起著至關重要的作用。
　　(3)提出了一種SVM集成的圖像分類方法。主要是針對單分類器沒有充分考慮數(shù)據(jù)集的特征而不能很好地完成分類識別,提出了一種基于集成學習技術的SVM集成的圖像分類方法。分類器的獨立性和差異性是決定集成效果的關鍵性因素。該方法則是基于近些年來非常受歡迎的BOW模型描述圖像方法的基礎上,利用訓練生成的不同SVM

3、分類器對測試圖像進行分類,并將分類結果采用集成學習算法進行集成后輸出。分別采用傳統(tǒng)的BOW模型的圖像分類方法和本文提出的方法進行分類實驗,實驗結果對比表明采用SVM集成的圖像分類方法明顯提高了分類精度,具有一定的魯棒性。
　　(4)提出了一種PLSA結合SVM集成的圖像分類方法。該方法其實質是對BOW模型和集成學習技術相結合進行圖像分類的又一次有效運用。首先,運用SIFT算法對圖像進行關鍵性特征的提取,之后并對特征進行K-mean