視覺(jué)詞袋模型的改進(jìn)及其在圖像分類中的應(yīng)用研究.pdf

1、近年來(lái)，隨著互聯(lián)網(wǎng)中數(shù)字圖像不斷激增，如何在海量圖像中迅速準(zhǔn)確地進(jìn)行分類顯然已經(jīng)成為亟需解決的問(wèn)題之一。現(xiàn)有的許多圖像分類方法一般是通過(guò)提取圖像底層特征來(lái)獲得圖像視覺(jué)信息，但因圖像之間存在差別，所以不同圖像提取的底層特征數(shù)目一般不同。為提高不同圖像間的比較性能，研究者們將應(yīng)用在文本分類領(lǐng)域的詞袋模型應(yīng)用到圖像分類領(lǐng)域，稱為視覺(jué)詞袋模型。視覺(jué)詞袋模型首先對(duì)圖像進(jìn)行底層特征提取與描述，對(duì)提取出的特征進(jìn)行量化得到視覺(jué)詞典，隨后將每幅圖像表示成

2、基于相同維數(shù)的視覺(jué)單詞頻率直方圖向量，將該向量作為對(duì)圖像的描述，最后將圖像描述向量代入到分類器中進(jìn)行分類。
　　本文圍繞視覺(jué)詞袋模型，針對(duì)圖像分類的問(wèn)題，對(duì)視覺(jué)詞袋模型的特征提取方法、詞典生成方法以及圖像表示方法等進(jìn)行研究，具體研究成果如下：
　　(1)為避免常規(guī)構(gòu)建視覺(jué)詞袋模型在選取梯度方向離散精度時(shí)存在的盲目性，以及不恰當(dāng)?shù)碾x散精度構(gòu)造出的視覺(jué)詞袋模型分類率不高的問(wèn)題，研究了在視覺(jué)詞袋模型中提取圖像特征時(shí)梯度方向離散精度

3、是否存在明顯的閾值，使得選取該閾值時(shí)能構(gòu)造出最佳的視覺(jué)詞袋模型。基于面向稠密特征提取圖像局部特征描述，選擇不同的梯度方向離散精度分別進(jìn)行大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果充分表明存在一個(gè)明顯、統(tǒng)一的閾值24，選擇該閾值構(gòu)造的視覺(jué)詞袋模型能夠得到最高的正確分類結(jié)果。
　　(2)針對(duì)視覺(jué)詞袋模型采用SIFT算法提取的特征點(diǎn)在區(qū)分度和代表性上不高的缺點(diǎn)，提出了一種基于Harris角點(diǎn)和dense SIFT特征加權(quán)的視覺(jué)詞袋模型圖像分類方法。采用快速密

4、集網(wǎng)格劃分對(duì)整幅圖像提取dens e SIFT特征，為獲取特征更明顯、更具有代表性的點(diǎn)，利用Harris角點(diǎn)檢測(cè)算法對(duì)圖像角點(diǎn)進(jìn)行檢測(cè)，以角點(diǎn)像素為中心提取該角點(diǎn)SIFT特征，并依據(jù)角點(diǎn)度為角點(diǎn)SIFT特征設(shè)置一定的權(quán)重，使角點(diǎn)SIFT特征相較于de nse SI T特征更加突出，以便更好地對(duì)圖像進(jìn)行描述。實(shí)驗(yàn)表明，該特征描述方法構(gòu)造的視覺(jué)詞袋模型能獲得較高的分類正確率。
　　(3)針對(duì)空間金字塔視覺(jué)詞袋模型缺少對(duì)局部特征之間語(yǔ)義