本文關(guān)鍵詞：基于內(nèi)容的電子商務(wù)圖像分類研究

  更多相關(guān)文章： 電子商務(wù) 特征提取 混合隸屬度 圖像分類

【摘要】：近年來,隨著互聯(lián)網(wǎng)的發(fā)展和普及,網(wǎng)絡(luò)購(gòu)物已經(jīng)成為一種新的潮流,隨之而來也出現(xiàn)了越來越多的網(wǎng)上購(gòu)物平臺(tái)。隨著商品圖像數(shù)據(jù)量的暴增,如何對(duì)大規(guī)模的商品圖像數(shù)據(jù)庫(kù)進(jìn)行高效、準(zhǔn)確的管理是亟待解決的技術(shù)難題�；趦�(nèi)容的圖像分類技術(shù)可對(duì)商品圖像進(jìn)行有效的分類管理,在此之上進(jìn)行檢索可以提高圖像檢索的效率和準(zhǔn)確率。本文對(duì)基于內(nèi)容的電子商務(wù)圖像分類問題主要從以下幾個(gè)方面進(jìn)行研究：(1)深入分析了三種常見的圖像底層視覺特征提取方法,分別從圖像中的顏色、紋理和形狀特征來提取,其中,顏色特征包括：顏色直方圖、顏色矩和顏色聚合向量；紋理特征包括：灰度共生矩陣、Gabor紋理和Tamura紋理；形狀特征包括：邊界特征、傅里葉描述子和形狀不變矩等。同時(shí)研究了目前常用的三種圖像分類算法,分別包括K最近鄰(KNN)、支持向量機(jī)(SVM)和BP神經(jīng)網(wǎng)絡(luò)。從理論性和實(shí)用性角度出發(fā),對(duì)這三種常見分類算法的優(yōu)缺點(diǎn)進(jìn)行了分析總結(jié)。(2)針對(duì)目前圖像分類中存在的使用單一分類器和分類器的隸屬度函數(shù)為單一線性函數(shù)的問題,本文提出了基于混合隸屬度的模糊支持向量機(jī)-模糊最近令(Fuzzy Support Vector Machine-Fuzzy K-Nearest Neighbor,FSVM-FKNN)集成分類算法,該算法首先結(jié)合線性距離的隸屬度函數(shù)和緊密度的隸屬度函數(shù)的優(yōu)點(diǎn),構(gòu)造出一種混合隸屬度函數(shù),然后將其用在SVM和KNN的集成分類器中,最后選擇分類概率值較大的作為最終的分類結(jié)果。并對(duì)本文提出的這種分類算法的理論基礎(chǔ)和實(shí)現(xiàn)思路進(jìn)行了詳細(xì)的闡述。(3)給出了各種特征提取方法和圖像分類算法的實(shí)驗(yàn)結(jié)果及分析說明,得出將顏色和紋理特征結(jié)合的多特征提取方法可以很好的提高圖像分類的準(zhǔn)確率,同時(shí)SVM分類算法相比其它兩種分類算法最優(yōu)。并對(duì)本文提出的基于混合隸屬度的FSVM-FKNN集成分類算法與傳統(tǒng)的SVM、KNN、模糊SVM和模糊KNN進(jìn)行了實(shí)驗(yàn)對(duì)比,實(shí)驗(yàn)結(jié)果表明：本文提出的基于混合隸屬度的FSVM-FKNN集成分類算法能夠有效解決商品圖像的分類問題,使得分類準(zhǔn)確率提高近3%。
【關(guān)鍵詞】：電子商務(wù) 特征提取 混合隸屬度 圖像分類
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-6
• 專業(yè)術(shù)語注釋表6-9
• 第一章 緒論9-15
• 1.1 選題背景與意義9-10
• 1.2 圖像分類技術(shù)的研究現(xiàn)狀10-12
• 1.3 論文主要內(nèi)容12-14
• 1.4 章節(jié)安排14-15
• 第二章 基于內(nèi)容的圖像分類研究15-39
• 2.1 基于內(nèi)容的圖像分類過程15-16
• 2.2 圖像內(nèi)容描述即特征提取16-28
• 2.2.1 顏色特征提取17-23
• 2.2.2 紋理特征提取23-27
• 2.2.3 形狀特征提取27-28
• 2.3 圖像分類方法28-36
• 2.3.1 最近鄰分類器28-30
• 2.3.2 支持向量機(jī)30-33
• 2.3.3 人工神經(jīng)網(wǎng)絡(luò)33-36
• 2.4 圖像分類算法的優(yōu)缺點(diǎn)對(duì)比36-37
• 2.4.1 最近鄰分類算法優(yōu)缺點(diǎn)36-37
• 2.4.2 支持向量機(jī)算法優(yōu)缺點(diǎn)37
• 2.4.3 人工神經(jīng)網(wǎng)絡(luò)算法優(yōu)缺點(diǎn)37
• 2.5 本章小結(jié)37-39
• 第三章 基于混合隸屬度的集成分類器39-49
• 3.1 隸屬度函數(shù)39-44
• 3.1.1 隸屬度函數(shù)的引入39-41
• 3.1.2 混合隸屬度函數(shù)的設(shè)計(jì)41-44
• 3.2 基于混合隸屬度的集成分類器的設(shè)計(jì)44-47
• 3.2.1 模糊最近鄰分類器的設(shè)計(jì)44-45
• 3.2.2 模糊支持向量機(jī)分類器的設(shè)計(jì)45-47
• 3.2.3 集成分類器FSVM-FKNN的設(shè)計(jì)47
• 3.3 本章總結(jié)47-49
• 第四章 實(shí)驗(yàn)結(jié)果與分析49-63
• 4.1 分類性能評(píng)價(jià)指標(biāo)49
• 4.2 實(shí)驗(yàn)對(duì)象49-50
• 4.3 電子商務(wù)圖像的特征提取50-55
• 4.3.1 電子商務(wù)圖像的顏色特征提取51-53
• 4.3.2 電子商務(wù)圖像的紋理特征提取53-55
• 4.4 多特征分類下的實(shí)驗(yàn)結(jié)果55-57
• 4.5 不同分類器的分類結(jié)果57-61
• 4.6 本章小結(jié)61-63
• 總結(jié)與展望63-65
• 參考文獻(xiàn)65-69
• 攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果69-70
• 致謝70

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 杜玫芳;;數(shù)字圖書館中圖像分類技術(shù)研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2008年01期

2 周曉光;匡綱要;萬建偉;;極化SAR圖像分類綜述[J];信號(hào)處理;2008年05期

3 秦磊;高文;;基于內(nèi)容相關(guān)性的場(chǎng)景圖像分類方法[J];計(jì)算機(jī)研究與發(fā)展;2009年07期

4 楊懌菲;;一種基于圖像特征的圖像分類方法[J];現(xiàn)代電子技術(shù);2009年14期

5 畢萍;;圖像分類方法的對(duì)比研究[J];現(xiàn)代電子技術(shù);2009年18期

6 孟海東;郝永寬;王淑玲;;聚類分析在非監(jiān)督圖像分類中的應(yīng)用研究[J];計(jì)算機(jī)與現(xiàn)代化;2009年10期

7 姚曉昆;邱桃榮;葛寒娟;劉清;王劍;;基于多層次相容粒度的圖像分類[J];河北師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 郭立君;趙杰煜;史忠植;;生成模型與判別方法相融合的圖像分類方法[J];電子學(xué)報(bào);2010年05期

9 黃濤;陳三風(fēng);;人工場(chǎng)景圖像分類技術(shù)研究[J];深圳信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2010年02期

10 張杰;郭小川;金城;陸偉;;基于特征互補(bǔ)率矩陣的圖像分類方法[J];計(jì)算機(jī)工程;2011年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

2 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

3 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

4 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

5 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

6 王海江;極化SAR圖像分類方法研究[D];電子科技大學(xué);2008年

7 韓東峰;圖像分類識(shí)別中特征及模型的若干問題研究[D];吉林大學(xué);2008年

8 白有茂;基于張量流形學(xué)習(xí)的圖像分類技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2013年

9 龍顯忠;矩陣分解方法在圖像分類中的應(yīng)用研究[D];上海交通大學(xué);2014年

10 周曉光;極化SAR圖像分類方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 趙八一;基于概率圖模型的圖像分類和注釋[D];大連理工大學(xué);2010年

2 冀翠萍;基于內(nèi)容的圖像分類研究[D];山東師范大學(xué);2008年

3 鮮艷明;多特征結(jié)合與支持向量機(jī)集成在圖像分類中的應(yīng)用[D];西安科技大學(xué);2011年

4 周鴿;基于“詞袋”模型的圖像分類系統(tǒng)[D];蘇州大學(xué);2011年

5 楊楠;基于內(nèi)容的商品圖像分類技術(shù)研究[D];大連理工大學(xué);2011年

6 吳軍;基于正負(fù)模糊系統(tǒng)的圖像分類的研究及其應(yīng)用[D];江南大學(xué);2012年

7 黃飛;基于局部不變特征的圖像分類研究[D];北京郵電大學(xué);2013年

8 劉程;基于詞袋模型的圖像分類技術(shù)研究[D];安徽大學(xué);2014年

9 郝永寬;聚類分析在圖像分類中的應(yīng)用研究[D];內(nèi)蒙古科技大學(xué);2008年

10 陳佳琛;快速主動(dòng)禁忌搜索及其在圖像分類中的應(yīng)用[D];復(fù)旦大學(xué);2010年

，

本文編號(hào)：605196