基于支持向量機和半監(jiān)督深度信念網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，隨著網絡資源的日益多樣性，圖像規(guī)模愈來愈大，內容愈來愈復雜，表現形式也愈來愈多樣，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?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，根據每次訓練得到的錯誤率以及各樣本的分類準確性調整權值；然后使用BP算子回溯再次整體調整體樣本權值并輸出調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，輸出最終結果。使用MNIST和ETH-80兩種數據集進行實驗仿真，并將分類結果與其他算法的分類結果進行比較。結果表明AI