基于中層特征表示的圖像分類研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，網(wǎng)絡(luò)中積累了大量的數(shù)字圖像和視頻數(shù)據(jù)，這些數(shù)據(jù)為人們的使用帶來了新的技術(shù)挑戰(zhàn)。為此，許多專家學(xué)者對圖像分類、圖像檢索、目標(biāo)識別等領(lǐng)域進行了相關(guān)研究，而圖像特征提取是這些研究的基礎(chǔ)工作。圖像特征提取是將圖像映射到特征集合的過程，針對圖像特征提取，目前已經(jīng)提出了許多優(yōu)秀的算法，這些算法可以根據(jù)語義表達能力的不同進行分類。其中，基于中層語義的特征表示因其性能較好而成為人們關(guān)注的研究對象。
　　本文對典型的底層特

2、征表示和中層特征表示進行了分析和改進，并通過圖像分類實驗對性能進行了驗證，具體工作如下：第一，提出了一種基于詞袋模型(BoW)的圖像空間語義中層特征方法。由于BoW及其改進方法假設(shè)視覺詞間相互獨立，而這種假設(shè)忽視了視覺詞間的關(guān)聯(lián)性，所以本文提出了結(jié)合空間語義信息的圖像特征表示方法。該方法通過計算圖像中視覺詞間的分布距離提取相似的視覺詞，組成視覺短語，融入圖像的全局空間信息;同時，在這些視覺短語中提取具有語義代表性的視覺短語，建立短語詞典

3、來加入圖像的語義信息。結(jié)合視覺詞間的這兩種信息，構(gòu)成新的圖像空間語義特征。在UIUC-Sports8圖像庫和Scene-15圖像庫進行圖像分類實驗，實驗結(jié)果表明這種結(jié)合空間語義信息的特征具有更好的分類準(zhǔn)確率。第二，對局部二值模式(LBP)進行改進：提出了一種基于LBP的紋理短語特征方法；提出了一種基于BoWL的圖像空間語義特征方法。實驗表明，這兩種方法都取得了較好的圖像分類效果。最后，針對當(dāng)前網(wǎng)絡(luò)圖像特征方法的實際情況，以及LBP的簡單