融合LDA和多類SVM的圖像語義映射研究.pdf

1、圖像的低階可視化特征是獨(dú)立、客觀的直接可以從圖像中獲取的信息，傳統(tǒng)的基于內(nèi)容圖像檢索主要利用它來完成計(jì)算機(jī)對(duì)圖像的相似性判斷。但是，人對(duì)于圖像的需求往往是基于某種語義的，而從視覺數(shù)據(jù)中可提取到的信息與用戶對(duì)相同數(shù)據(jù)的解釋卻缺乏一致性，無論提取到的低層特征如何，都很難用這些特征直接推導(dǎo)出語義。因此，研究圖像低層特征和高層語義之間的聯(lián)系，建立它們彼此之間的映射，就成為解決問題的關(guān)鍵。
　　 研究者普遍認(rèn)為：在基于內(nèi)容的圖像檢索中合理

2、的引入人工智能和機(jī)器學(xué)習(xí)技術(shù)是解決高層語義難題的有效途徑。通過機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行分類或聚類來劃分圖像所屬類別從而標(biāo)識(shí)圖像所表達(dá)的語義，是主要采取的方法。本文就是針對(duì)圖像低層特征到高層語義映射算法展開研究的，主要做了以下幾方面的工作：
　　 1.支持向量機(jī)(Support Vector Machine-SVM)作為新近出現(xiàn)的機(jī)器學(xué)習(xí)方法，以其良好的分類性能受到廣泛關(guān)注，取得了豐碩的研究成果。本文在分析、總結(jié)現(xiàn)有支持向量機(jī)多類分類

3、方法的優(yōu)缺點(diǎn)基礎(chǔ)之上，分析了圖像低層特征的特點(diǎn)，確定使用基于模糊C均值聚類的SVM多類分類方法作為機(jī)器學(xué)習(xí)算法，建立分類二叉樹來完成圖像低層特征到高層語義的映射，并分析了選擇此分類策略的原因。
　　 2.傳統(tǒng)的基于聚類的SVM多類分類方法在聚類時(shí)并不考慮樣本的類別信息，最終形成的二叉樹分支一般很多，當(dāng)遇到圖像低層特征這樣異類樣本特征相近的情況時(shí)該方法性能下降明顯。針對(duì)這一問題，本文將線性判別分析法(Linear Discrimi

4、nant Analysis-LDA)引入二叉樹建樹過程之中，提出融合LDA的SVM多類分類方法。每次在對(duì)待訓(xùn)練樣本集聚類之前先進(jìn)行優(yōu)化處理，通過尋找最佳投影子空間使得同類樣本聚集、異類樣本松散，從而優(yōu)化二叉樹結(jié)構(gòu)，以此改進(jìn)分類效果。在UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明本文方法減少了二叉樹分支的同時(shí)提高了分類的準(zhǔn)確率。
　　 3.詳細(xì)討論了融合LDA的SVM多類分類方法在圖像語義映射中的具體實(shí)現(xiàn)與應(yīng)用。通過Corel圖像庫上的實(shí)驗(yàn)表明，