基于主題模型和圖核模型的圖像分類算法的研究與應(yīng)用.pdf

1、圖像分類技術(shù)是計算機視覺領(lǐng)域重要的研究內(nèi)容。圖像分類性能的優(yōu)劣對醫(yī)學(xué)圖像研究、生物數(shù)據(jù)分析、軍事交通研究有至關(guān)重要的意義。伴隨著機器學(xué)習(xí)的熱潮，圖像分類技術(shù)得到了迅速發(fā)展并成為計算機視覺領(lǐng)域研究的熱點。
　　主題模型是機器學(xué)習(xí)領(lǐng)域新興的算法，它的出現(xiàn)為圖像分類研究開辟了新的天空。主題模型是一種概率生成模型，主要應(yīng)用在對文本信息進行處理中。相對于其他分類算法，其優(yōu)勢在于對語義信息的挖掘上。Latent Dirichlet Alloc

2、ation(LDA)模型是在Probabilistic LatentSemantic Analysis(PLSA)模型的基礎(chǔ)上提出的一種廣泛應(yīng)用在文本信息分類的主題模型。該算法采用了詞袋(bag of words)思想，視每篇文檔為一個詞頻向量。一篇文檔代表了一些主題所構(gòu)成的概率分布，而每一個主題又代表了很多單詞所構(gòu)成的概率分布。LDA通過這種方式把文本信息轉(zhuǎn)化為易于建模的數(shù)字信息并挖掘數(shù)據(jù)集潛在的語義信息。隨著LDA模型的發(fā)展和改進，

3、它已經(jīng)成功地應(yīng)用在圖像分類、檢索等領(lǐng)域。
　　但是，LDA算法使用的詞袋模型把圖像看作無序的單詞而忽略了圖像的空間結(jié)構(gòu)信息，圖核是一種計算圖結(jié)構(gòu)之間相似性的模型。本文提取了圖像的空間結(jié)構(gòu)信息并結(jié)合了主題模型和圖核模型，分別從語義信息和空間結(jié)構(gòu)信息的角度對圖像進行處理。通過對這兩種模型進行研究我們發(fā)現(xiàn)其中還存在可改進之處。本文首先對LDA的詞袋模型進行改進，提高其分類效果，同時提出了使用帶權(quán)重的最小生成樹圖核進行圖像分類，并對最小生

4、成樹圖核進行了改進，最后結(jié)合了兩個模型的優(yōu)勢并應(yīng)用于圖像分類中，主要工作如下:
　　1)利用傳統(tǒng)LDA模型進行圖像分類研究。在對圖像進行處理時，使用SIFT算法檢測特征點形成詞典、計算詞頻，并根據(jù)LDA思想進行分類。文中利用Gibbs采樣對參數(shù)進行估計，通過訓(xùn)練出來的參數(shù)對新圖像進行分類預(yù)測。其次文中對這種傳統(tǒng)方法進行改進，加入圖像的色彩信息，利用RGB SIFT算法檢測特征點，形成了信息更為豐富的描述子。
　　2)本文對圖

5、核模型進行研究，并應(yīng)用在圖像分類中。首先綜合考慮了常用的幾種核，根據(jù)其優(yōu)劣性，提出使用最小生成樹算法計算圖像之間相似性。其次在計算圖結(jié)構(gòu)相似性時，對最小生成樹核進行改進，考慮了圖結(jié)構(gòu)中節(jié)點的權(quán)重信息。在利用帶權(quán)重的最小生成樹圖核進行分類時，我們首先利用RGB SIFT算法得到圖像的視覺單詞以及空間坐標(biāo)信息，通過構(gòu)建四叉樹把圖像表示為圖結(jié)構(gòu)的數(shù)據(jù)，根據(jù)圖來生成最小生成樹并計算圖像之間的相似性。為了利用相似性矩陣對圖像進行分類，我們使用訓(xùn)練

6、集中的相似性矩陣及其所屬的類別對支持向量機(Support Vector Machine)即SVM進行訓(xùn)練，得到相應(yīng)的分類器。其中支持向量機的核函數(shù)使用了最小生成樹核。通過對測試集數(shù)據(jù)的分類預(yù)測驗證了改進模型的優(yōu)越性。
　　3)結(jié)合LDA模型和圖核模型的優(yōu)缺點，將兩種方法進行結(jié)合，使用余弦相似性得到LDA模型中圖像的相似矩陣，并與圖核中的相似性矩陣以一定的權(quán)值進行結(jié)合，最后利用SVM對相似性矩陣進行處理，成功對圖像進行分類。該課題