基于語義的圖像分類研究.pdf

1、隨著計算機(jī)技術(shù)、通信技術(shù)和多媒體技術(shù)的飛速發(fā)展，數(shù)字圖像廣泛應(yīng)用到社會生活的方方面面，數(shù)字圖像的分類和檢索技術(shù)也隨之發(fā)展。傳統(tǒng)的基于文本關(guān)鍵詞的數(shù)字圖像分類和檢索技術(shù)，由于其低效率和非標(biāo)準(zhǔn)化等缺點已經(jīng)不能滿足人們的需要；基于內(nèi)容的圖像分類和檢索技術(shù)，從底層視覺特征度量圖像的相似性，實現(xiàn)對圖像的理解。然而，圖像的底層視覺特征與人對圖像的理解之間存在巨大的差異，基于內(nèi)容的圖像分類和檢索并未溝通圖像的底層視覺特征與高層語義，跨越“語義鴻溝”；

2、基于語義的圖像分類和檢索技術(shù)正成為研究的熱點。 論文首先介紹了圖像語義的層次模型和圖像語義提取的幾種方法，重點介紹了基于機(jī)器學(xué)習(xí)的圖像語義提取方法。在底層特征上，提取了顏色、紋理和形狀三類特征。特征選擇可以加速數(shù)據(jù)挖掘，提高數(shù)據(jù)挖掘的性能和效率，論文對一種改進(jìn)的順序前向浮動搜索特征選擇算法進(jìn)行了研究，以底層特征數(shù)據(jù)為基礎(chǔ)實驗對比了順序前向搜索、順序前向浮動搜索和改進(jìn)的順序前向浮動搜索三種算法的時間效率和選擇結(jié)果。 支持向

3、量機(jī)是基于統(tǒng)計學(xué)習(xí)理論的新型機(jī)器學(xué)習(xí)方法，它能在小樣本下得到很好的分類效果并具有較好的泛化能力。論文選擇支持向量機(jī)作為圖像語義的分類器，研究了不同特征子集下支持向量機(jī)的分類性能，實驗結(jié)果證實了特征選擇的有效性?；诮Y(jié)構(gòu)風(fēng)險最小化原理的支持向量機(jī)不會產(chǎn)生傳統(tǒng)方法中的過學(xué)習(xí)和局部最小等問題，基于支持向量機(jī)的增量學(xué)習(xí)具有重要的應(yīng)用價值。論文對比了支持向量集加錯分樣本和歷史訓(xùn)練數(shù)據(jù)加錯分樣本兩種增量SVM學(xué)習(xí)算法。實驗證明后者的分類準(zhǔn)確性和穩(wěn)定