基于視覺字典容量自動獲取的LDA場景分類研究.pdf

1、隨著計算機(jī)技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速普及與應(yīng)用，每天都會產(chǎn)生大量的數(shù)字圖像。面對海量的圖像數(shù)據(jù)集，如何使計算機(jī)按照人類認(rèn)知的方式對這些圖像數(shù)據(jù)集進(jìn)行高效地分類已成為了圖像理解研究領(lǐng)域的一個熱點(diǎn)問題。
　　場景圖像分類的方法多種多樣，其中，利用LDA(Latent Dirichlet Allocation，隱狄利克雷分配)模型實現(xiàn)場景圖像分類是目前研究的一個熱點(diǎn)。基于LDA模型的場景分類方法的經(jīng)典流程是:首先提取所有場景圖像的SIFT(

2、Scale-invariant feature transform，尺度不變特征轉(zhuǎn)換)特征，并利用K-means聚類算法對場景圖像的SIFT特征進(jìn)行聚類，構(gòu)建視覺字典，然后計算場景圖像SIFT特征與視覺字典中單詞的歐氏距離，生成詞頻矩陣，最后利用LDA模型學(xué)習(xí)并完成場景分類。由于采用K-means聚類算法獲取視覺字典容量時，需要人為反復(fù)試驗才能確定合理的視覺字典容量，效率極其低下。針對這個問題，本文提出采用AP(Affinity Pro

3、pagation，吸引子傳播)聚類算法自動獲取合理的視覺字典容量，進(jìn)而實現(xiàn)LDA模型場景分類，提高場景分類效率。本文的主要工作如下:
　　首先，本文介紹了場景分類的背景以及研究意義;分析了場景分類的研究現(xiàn)狀，并介紹了本文的研究工作和主要研究成果。
　　其次，本文介紹了場景分類方法的相關(guān)理論。給出了場景分類的整體框架，闡述了場景圖像SIFT特征提取的具體流程;列出了聚類算法的種類，詳細(xì)介紹K-means聚類算法和AP聚類算法，

4、并分析比較了這兩種聚類算法的優(yōu)缺點(diǎn)。
　　第三，提出了一種基于視覺字典容量自動獲取的LDA場景分類方法。利用SIFT算法提取場景圖像的SIFT特征，然后分別使用K-means聚類算法和AP聚類算法獲取視覺字典容量，構(gòu)建視覺字典并生成圖像SIFT特征與視覺字典中單詞的詞頻矩陣，最后利用LDA模型學(xué)習(xí)潛在主題分布，實現(xiàn)場景分類。實驗結(jié)果表明，本文提出的場景分類方法更高效。
　　第四，本文對實驗結(jié)果進(jìn)行了分析。將基于K-means

5、聚類算法的LDA場景分類方法與基于AP聚類算法的LDA場景分類方法的實驗結(jié)果進(jìn)行了對比。實驗結(jié)果表明:基于AP聚類的LDA建模方法不僅能夠較快的獲取合理的視覺字典容量，而且場景分類的準(zhǔn)確率可達(dá)到79％以上，而基于K-means聚類的LDA建模方法得到的分類準(zhǔn)確率與視覺字典容量之間的關(guān)系曲線并無規(guī)律可循，分類準(zhǔn)確率最高為78.10％。接著，研究LDA模型主題數(shù)對場景分類性能的影響，實驗結(jié)果表明在主題數(shù)相對較少時具有相對較高的分類準(zhǔn)確率;L