基于支持向量機和半監(jiān)督深度信念網(wǎng)絡學習的圖像分類算法研究.pdf

1、圖像分類是計算機視覺領域的研究熱點之一，隨著網(wǎng)絡資源的日益多樣性，圖像規(guī)模愈來愈大，內(nèi)容愈來愈復雜，表現(xiàn)形式也愈來愈多樣，圖像的復雜化使得圖像分類技術面臨著巨大的挑戰(zhàn)。本文綜合目前圖像分類的相關算法，概括出現(xiàn)存算法的不足之處并給出相應的對應方法。針對小規(guī)模圖像分類技術的單一性與局限性、現(xiàn)存的大規(guī)模圖像分類精度低的問題，分別給出了不同的解決方案并進行了詳細的闡述。
　　本研究提出了基于Daubechies小波的快速 PCA和SVM（

2、DW-FPSVM）的圖像分類算法。先對圖像進行一次二維 Daubechies小波分解并提取人臉特征，接著利用快速 PCA對特征降維去噪處理，最后建立支持向量機模型對處理好的特征進行分類。本文以ORL人臉圖像庫作為輸入展開實驗，得出：圖像分類的準確率隨支持向量機核參數(shù)?的增大而減小且 DW-FPSVM算法能夠有效的提高圖像分類的準確性和穩(wěn)固性。除此之外，還從訓練時間和分類時間將 DW-FPSVM與其它算法的相關時間做了比較，證明了該算法的

3、高效性。針對淺層次大規(guī)模圖像分類的低精度問題，提出深層次特征學習的Adaboost圖像分類算法（AICDFL）。首先以DBN作為弱分類器對樣本圖像進行學習，根據(jù)每次訓練得到的錯誤率以及各樣本的分類準確性調(diào)整權值；然后使用BP算子回溯再次整體調(diào)整體樣本權值并輸出調(diào)整后的每個分類器的錯誤率，最后將所有弱分類器集成強分類器，輸出最終結(jié)果。使用MNIST和ETH-80兩種數(shù)據(jù)集進行實驗仿真，并將分類結(jié)果與其他算法的分類結(jié)果進行比較。結(jié)果表明AI