場(chǎng)景圖像分類的算法研究.pdf

1、隨著技術(shù)的發(fā)展，每天都有大量圖片上傳到互聯(lián)網(wǎng)。特別是隨著智能手機(jī)的應(yīng)用，人們可以很容易地拍攝、編輯和上傳圖片。場(chǎng)景分類的目標(biāo)是根據(jù)圖像的視覺內(nèi)容為圖像賦予一個(gè)語義類別（例如：體育場(chǎng)或商場(chǎng)）。由于場(chǎng)景圖片的二義性、多樣性、光照和尺度等問題，場(chǎng)景分類是一個(gè)挑戰(zhàn)性的問題。場(chǎng)景分類也是計(jì)算機(jī)視覺的基本問題，是圖像檢索、圖像內(nèi)容分析和目標(biāo)識(shí)別等問題的基礎(chǔ)。研究本課題研究意義十分重大，它可以幫助用戶節(jié)省查找有用信息的時(shí)間，讓搜索引擎功能更智能化，可

2、以為我們節(jié)省更多的物力人力，可以使我們的網(wǎng)絡(luò)更加智能化。
　　本文從圖像的局部特征提取、視覺字典的生成、特征的編碼方法和圖像的表示與分類等方面對(duì)場(chǎng)景圖像分類進(jìn)行了深入研究：1）在局部特征提取階段，本文提出用二進(jìn)制特征作為局部圖像特征，大大縮短視覺字典的學(xué)習(xí)時(shí)間和特征編碼時(shí)間。本文還提出用在ImageNet數(shù)據(jù)集訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型抽取隱含層的數(shù)據(jù)作為圖像塊特征，避免了設(shè)計(jì)復(fù)雜的特征提取算法。2）本文利用特征編碼的方法縮小了底層

3、特征與語義之間的鴻溝，并對(duì)比了矢量量化、LLC編碼和Fisher向量編碼的性能。3）在場(chǎng)景圖像的表示與分類階段，本文采用基于空間金字塔匹配模型來表示圖像，充分利用了局部特征的空間信息，提高了圖像特征的區(qū)分能力，并測(cè)試了不同層數(shù)、不同塊劃分方法的空間金字塔的平均分類正確率。最后利用線性 SVM作為分類器，大大縮短了訓(xùn)練和測(cè)試的時(shí)間。
　　本文提出的方法在 Caltech-101數(shù)據(jù)集上的平均分類正確率是73.14％，相關(guān)實(shí)驗(yàn)表明，本