基于詞袋模型的圖像分類技術(shù)研究.pdf

1、圖像分類是數(shù)字圖像分析與理解的主要研究方向，因而受到人們廣泛的關(guān)注，如何對(duì)大量的圖像進(jìn)行快速、準(zhǔn)確的分類是當(dāng)前研究中的一個(gè)熱點(diǎn)問(wèn)題。
　　本文將詞袋模型應(yīng)用于無(wú)監(jiān)督圖像分類，并針對(duì)傳統(tǒng)詞袋模型中所涉及方法（如特征提取、聚類方法等）的不足，做出了如下的改進(jìn):
　　首先，采用加速魯棒特征變換（Speeded Up Robust Features，SURF）提取特征（圖像詞語(yǔ)）。本文將增加預(yù)處理環(huán)節(jié)，即通過(guò)特征興趣區(qū)域(Regio

2、n ofinteresting Features，ROIF)與圖像前景對(duì)象范圍定位方法對(duì)特征提取范圍進(jìn)行規(guī)定。實(shí)驗(yàn)表明，預(yù)處理環(huán)節(jié)可有效減少特征中弱特征與無(wú)關(guān)特征數(shù)量。
　　其次，本文采用精確歐拉位置敏感哈希（Exact Euclidean Locality SensitiveHashing，E2LSH）對(duì)圖像詞語(yǔ)聚類以獲得關(guān)鍵詞（聚類中心）。為了減小E2LSH的隨機(jī)性，將多次聚類并使用基于最短特征無(wú)向圖的組合匯集技術(shù)獲得最終的聚

3、類分布。實(shí)驗(yàn)表明，由E2 LSH得到的關(guān)鍵詞具有更強(qiáng)的代表性。
　　再次，利用吉布斯抽樣計(jì)算隱狄利克雷分布模型(Latent DirichletAllocation，LDA)得到類別分布轉(zhuǎn)移矩陣。并使用最大轉(zhuǎn)移概率與轉(zhuǎn)移向量相似度結(jié)合的組合方法閱讀轉(zhuǎn)移矩陣獲得分類結(jié)果。實(shí)驗(yàn)表明，組合式閱讀能更好的發(fā)現(xiàn)轉(zhuǎn)移矩陣中隱含的類別信息。
　　最后，針對(duì)傳統(tǒng)分類方法對(duì)同一類內(nèi)圖像間關(guān)系的忽視，利用雙向匹配（Bidirectional M