论文部分内容阅读
图像检索技术涉及多项应用领域，除通用的图像检索系统之外，越来越多特定领域的图像检索系统正在涌现，如Yottalook医学图像检索系统等。图像分类是图像检索系统中最为基础性的工作之一，因此面向领域的图像分类技术具有广阔的应用前景，特别是文档图像和医学图像领域。因此，本文的研究工作具有很好的应用前景和较好的理论意义。 由于图像的复杂性、类别之间的干扰、类别的多样性等因素，特定领域的图像分类问题仍然是一个充满挑战的问题。本文针对文档图像和医学图像分类存在的问题展开研究，主要工作以及创新点如下: 1、归纳总结现有方法。查阅大量文献，对当前图像分类方法进行全面的归纳和总结，介绍了常用方法的基本思想和原理，分析比较了各方法的优缺点;并且详细分析文档图像和医学图像领域的图像分类方法。 2、针对目前文档分类方法依赖于图像分割以及OCR等预处理的问题，本文提出了一种简单但有效的图像分类方法。采用结构化局部边缘模式(SLEP:StructuredLocalEdgePattern)作为图像特征，利用支持向量机SVM作为分类器实现文档图像分类。为了验证本文方法的有效性，创建了文档图像数据库。实验结果表明，基于SLEP特征的方法，避免了复杂的预处理，实验结果在准确率、召回率等方面都明显优于所对比方法，并且即使在文档图像低分辨率的情况下，所分类结果仍然有不错表现。 3、提出一种多阶段融合的方法对医学图像分类。采用ImageCLEF2012医学图像分类比赛作为实验数据集，构建多阶段特征融合的图像分类器。为每类特征构建相应的图像分类器，然后对分类结果进行融合，最终实现图像分类。实验结果表明，所提出的多阶段融合的方法可以更全面地描述医学图像的特性，进一步提升了图像分类准确率，同时本文的分类结果也排于ImageCLEF2012医学图像分类比赛结果的前列。 总之，本文面向文档图像领域和医学图像领域，由浅入深，从图像特征提取和分类过程两个核心问题入手，首先建立了一个文档图像数据库，然后将SLEP特征应用到文档图像分类之中，最后针对医学图像的复杂性，在之前研究工作的基础上，提出了一种多阶段融合的方法。文档图像分类方面，SLEP特征实现了非常高的准确率;医学图像分类方面，多阶段融合特征则更好地解决医学图像分类问题，相较于其他方法有明显的改进。