基于LDA主題模型的圖像場景分類.pdf

1、隨著計算機通信技術(shù)和多媒體技術(shù)的迅猛發(fā)展，信息越來越多地以數(shù)字圖像的形式存儲與傳遞。圖像場景分類有助于圖像內(nèi)容的理解與分析，方便數(shù)據(jù)庫的組織與檢索。傳統(tǒng)技術(shù)主要通過提取圖像的全局或區(qū)域的底層特征，并結(jié)合有監(jiān)督的機器學(xué)習(xí)方法來對圖像場景進行分類。這樣計算相對簡單，但沒有利用圖像中的語義信息，對有高級語義的場景分類效果相對較差。主題生成模型能通過學(xué)習(xí)建模與概率推導(dǎo)發(fā)現(xiàn)圖像中隱含的中間語義分布情況，近年來受到了大量的關(guān)注。隱狄利克雷分配(La

2、tent Dirichlet Allocation, LDA)模型就是主題模型中的代表，其利用多層次貝葉斯網(wǎng)絡(luò)以多個主題的概率混合表示圖像。
　　本文將LDA模型用于圖像場景分類上，重點研究中間語義特征的提取與選擇，主要內(nèi)容如下：⑴分別從提取描述特征和構(gòu)造分類器兩大方面，簡要分析了圖像場景分類的研究現(xiàn)狀；著重介紹了LDA模型的構(gòu)成和參數(shù)推導(dǎo)方法。⑵搭建了基于LDA模型的場景分類的基本框架；針對其中的中間語義基礎(chǔ)視覺詞典，結(jié)合已有的

3、SIFT(Scale Invariant Feature Transform)、LBP(Local Binary Pattern)幾種局部特征描述及空間金字塔組合，研究分析了不同特征對于使用LDA模型進行場景分類時的效果，實驗結(jié)果表明LDA模型相比于直接使用詞袋特征或pLSA(Probabilistic Latent Semantic Analysis)模型更有利于進行場景分類，對不同大小和類型的數(shù)據(jù)要選擇合適的詞典、主題數(shù)大小和特征描