基于詞袋模型的圖像分類的研究.pdf

1、近些年來，隨著互聯網和多媒體技術的飛速發(fā)展，數字資源正處于指數式的增長狀態(tài)，數字圖像作為數字資源中的重要組成部分，已經進入人們生活的方方面面，如何對這些數字圖像進行快速準確的分類，成為了人們研究的熱點。詞袋模型作為基于局部特征的圖像分類方法在圖像分類領域取得了巨大的成功，支持向量機分類器因其簡單且行之有效的優(yōu)點被廣泛應用于圖像分類領域。本文對基于詞袋模型的圖像分類進行了以下研究：
　　首先針對詞袋模型中K均值算法計算復雜度高以及聚

2、類過程中將所有特征點同等對待的問題，本文提出了一種基于簡單隨機采樣和特征加權的K均值算法，簡稱SRW-K均值算法，算法通過給采樣后的特征點添加權重以及約束條件（集群內離散度、全局數據離散度），使得每個簇擁有最大的緊密性，聚類中心之間的距離達到最大值。SRW-K均值算法不僅降低了計算復雜度，而且提高了聚類的性能。本文將SRW-K均值算法與其他先進的四種算法在三個數據集（VOC2007、UIUCsport、Caltech-101）上分別進行

3、實驗，結果表明，采用SRW-K均值算法的詞袋模型的分類精度最高，與K均值算法相比，采用SRW-K均值算法的詞袋模型在三個數據集上的分類精度分別提高了15.32％、10.37%和14.51%。
　　其次針對支持向量機核函數中特征映射后的特征空間維度過高的問題，本文提出了一種基于白化變換的狄利克雷概率分布核，簡稱DPWT核。DPWT核函數首先將原始特征空間的特征向量映射到另一個特征空間變成白化向量，然后在這個特征空間中，通過對白化向量

4、進行分類從而達到對原始特征向量分類的目的。DPWT核函數不僅使映射后的特征空間與原始特征空間保持了同樣的維度，而且有效的消除了維度間的相關性，減小了數據的冗余。本文將DPWT核函數與其他先進的五種核函數在三個數據集上分別進行實驗，結果表明，采用DPWT核函數的詞袋模型的分類精度最高，與Linear核函數相比，采用DPWT核函數的詞袋模型在三個數據集上的分類精度分別提高了17.11%、14.33%和23.44%。
　　最后為了進一步