论文部分内容阅读
随着互联网技术和多媒体技术的发展,以数字图像为代表的多媒体数字视觉信息量剧增,并且渗透到人们生产生活的各个方面,因此,如何有效地获取和使用图像信息,成为了当前科学领域以及工业生产领域的研究热点。图像分类是图像应用技术的核心技术之一,有着巨大的研究和应用价值。由于图像特征空间的高维度性,以及图像内容与人类语义的差异,这给探究高效的图像分类算法带来了较大的难度。因此,该问题已经成为了机器学习、模式识别、计算机视觉等领域的挑战性课题。
图像分类问题可以分解为图像特征提取问题和分类器选择问题,因此,本文针对这两个问题分别展开了理论研究和实验验证。在具体实验研究方面,论文主要使用基于图像内容的特征提出算法对Corel图像数据库的图像进行特征提取,以及使用SVM分类器对图像进行分类,以达到对图像分类算法研究目的。
在基于内容的图像特征提取方面,本文介绍了常用的图像颜色特征和纹理特征提取方法。此外,针对传统图像颜色特征维度较高,且缺乏图像颜色位置信息的问题,提出了一种基于c-means聚类的图像分块颜色特征提取算法(C-Means based ImageBlock Algorithm,CMMB)。该方法通过c-means聚类有效的降低了图像颜色特征空间的维度,并且在图像特征中融入了分块局域信息,有效地提高了图像分类准确率。
在分类器研究方面,本文提出了基于贝叶斯网络的二叉树支持向量机分类器(Bayesian based BTS Classifier,b-BTS)。该分类器在二叉树支持向量机的基础上,融入了贝叶斯网络,形成二级分类器。该分类器不但具有二叉树向量机的计算代价小的优点,而且具有较高的分类能力,以及较好的稳定性。实验表明该分类器适用于解决图像分类问题。
在实验分析部分,分别对图像的颜色特征,纹理特征,以及本文提出的CMMB图像特征提取算法进行了多组对比实验。在分类器方面,将本文提出b-BTS分类器与常用的SVM分类器,以及常用的图像分类器和算法进行了多组对比实验。实验均取得了较好的分类效果。