發(fā)布時(shí)間：2018-01-19 01:35

  本文關(guān)鍵詞： 圖像類型快速分類 特征提取 詞袋模型 層次化分類算法　出處：《中國圖象圖形學(xué)報(bào)》2017年05期 　論文類型：期刊論文

【摘要】：目的隨著現(xiàn)代通信和傳感技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)上多媒體數(shù)據(jù)日益增長,既為人們生活提供了便利,又給信息有效利用提出了挑戰(zhàn)。為充分挖掘網(wǎng)絡(luò)圖像中蘊(yùn)含的豐富信息,同時(shí)考慮到網(wǎng)絡(luò)中圖像類型的多樣性,以及不同類型的圖像需要不同的處理方法,本文針對(duì)當(dāng)今互聯(lián)網(wǎng)中兩種主要的圖像類型:自然場景圖像與合成圖像,設(shè)計(jì)層次化的快速分類算法。方法該算法包括兩層,第1層利用兩類圖像在顏色,飽和度以及邊緣對(duì)比度上表現(xiàn)出來的差異性提取全局特征,并結(jié)合支持向量機(jī)(SVM)進(jìn)行初步分類,第1層分類結(jié)果中低置信度的圖像會(huì)被送到第2層中。在第2層中,系統(tǒng)基于詞袋模型(bag-of-words)對(duì)圖像不同類型的局部區(qū)域的紋理信息進(jìn)行編碼得到局部特征并結(jié)合第2個(gè)SVM分類器完成最終分類。針對(duì)層次化分類框架,文中還提出兩種策略對(duì)兩個(gè)分類器進(jìn)行融合,分別為分類器結(jié)果融合與全局+局部特征融合。為測試算法的實(shí)用性,同時(shí)收集并發(fā)布了一個(gè)包含超過30 000幅圖像的數(shù)據(jù)庫。結(jié)果本文設(shè)計(jì)的全局與局部特征對(duì)兩類圖像具有較強(qiáng)的判別性。在單核Intel Xeon(R)(2.50 GHz)CPU上,分類精度可達(dá)到98.26%,分類速度超過40幀/s。另外通過與基于卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行對(duì)比實(shí)驗(yàn)可發(fā)現(xiàn),本文提出的算法在性能上與淺層網(wǎng)絡(luò)相當(dāng),但消耗更少的計(jì)算資源。結(jié)論本文基于自然場景圖像與合成圖像在顏色、飽和度、邊緣對(duì)比度以及局部紋理上的差異,設(shè)計(jì)并提取快速有效的全局與局部特征,并結(jié)合層次化的分類框架,完成對(duì)兩類圖像的快速分類任務(wù),該算法兼顧分類精度與分類速度,可應(yīng)用于對(duì)實(shí)時(shí)性要求較高的圖像檢索與數(shù)據(jù)信息挖掘等實(shí)際項(xiàng)目中。
[Abstract]:With the rapid development of modern communication and sensing technology, multimedia data on the Internet is increasing day by day, which provides convenience for people's life. In order to fully mine the abundant information contained in the network image, consider the diversity of the image type in the network, and different image need different processing methods. In this paper, we design a hierarchical fast classification algorithm for two main image types in the Internet: natural scene image and synthetic image. The algorithm includes two layers, and the first layer uses two kinds of images in color. The differences in saturation and edge contrast are used to extract the global features, and the support vector machine (SVM) is used to classify the features. Images of low confidence in the results of the first level of classification are sent to layer 2. In layer 2. The system is based on bag-of-words-based model. The local features are obtained by encoding the texture information of different types of local regions of the image and the final classification is completed with the second SVM classifier. Two strategies are also proposed to fuse the two classifiers, one is the fusion of the results of the classifier and the other is the fusion of the global local features, and the other is the practicability of the test algorithm. At the same time, a database containing more than 30,000 images was collected and published. Results the global and local features designed in this paper have strong discriminant for the two kinds of images. 2. 50 GHz)CPU. The classification accuracy can reach 98.26 and the classification speed is more than 40 frames / s. In addition, it can be found by comparing with the method based on convolution neural network. The proposed algorithm has the same performance as the shallow network, but consumes less computing resources. Conclusion based on the natural scene image and the composite image in color, saturation. Edge contrast and local texture differences, design and extract fast and effective global and local features, and combine the hierarchical classification framework to complete the task of fast classification of the two kinds of images. This algorithm can be applied to image retrieval and data information mining with high real-time requirement, because of the combination of classification accuracy and classification speed.
【作者單位】： 哈爾濱理工大學(xué)自動(dòng)化學(xué)院;中國科學(xué)院自動(dòng)化研究所模式識(shí)別國家重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金項(xiàng)目(61411136002)~~
【分類號(hào)】：TP391.41
【正文快照】： 0引言隨著互聯(lián)網(wǎng)、智能手機(jī)和通信技術(shù)的迅速發(fā)展,互聯(lián)網(wǎng)上的圖像數(shù)據(jù)在快速增長。海量的圖像可在網(wǎng)絡(luò)信息分析、商業(yè)數(shù)據(jù)挖掘、敏感信息檢測等領(lǐng)域中發(fā)揮出巨大作用,因此,網(wǎng)絡(luò)圖像的處理、分析、搜索和理解得到了學(xué)術(shù)界和工業(yè)界的廣泛重視�？紤]到網(wǎng)絡(luò)中圖像類型的多樣性,以

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 管聰慧,宣國榮;多類問題中的特征提取[J];計(jì)算機(jī)工程;2002年01期

2 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識(shí)別中的應(yīng)用[J];小型微型計(jì)算機(jī)系統(tǒng);2007年04期

3 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年05期

4 馮海亮;王麗;李見為;;一種新的用于人臉識(shí)別的特征提取方法[J];計(jì)算機(jī)科學(xué);2009年06期

5 陳偉;瞿曉;葛丁飛;;主觀引導(dǎo)特征提取法在光譜識(shí)別中的應(yīng)用[J];科技通報(bào);2011年04期

6 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學(xué)學(xué)報(bào);1997年01期

7 黃麗莉;皋軍;;基于局部加權(quán)的非線性特征提取方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

8 徐f ,邱道尹,沈憲章;糧倉害蟲的特征提取與分類的研究[J];鄭州工業(yè)大學(xué)學(xué)報(bào);2000年04期

9 馬希榮,王行愚;西夏文字特征提取的研究[J];計(jì)算機(jī)工程與應(yīng)用;2002年13期

10 王萍,王漢芝,岳斌,林孔元,劉還珠;一種大規(guī)模樣本數(shù)據(jù)的特征提取方法[J];天津輕工業(yè)學(xué)院學(xué)報(bào);2003年04期

相關(guān)會(huì)議論文 前10條

1 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

2 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

3 杜栓平;曹正良;;時(shí)間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

4 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

5 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 杜栓平;丁烽;楊華;;基于小波系數(shù)聚類的特征提取器[A];中國聲學(xué)學(xué)會(huì)2002年全國聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2002年

7 白真龍;霍強(qiáng);;在聯(lián)機(jī)手寫中文識(shí)別中一種針對(duì)8方向特征提取的改進(jìn)算法[A];中文信息處理前沿進(jìn)展——中國中文信息學(xué)會(huì)二十五周年學(xué)術(shù)會(huì)議論文集[C];2006年

8 賈會(huì)強(qiáng);劉曉麗;于洪志;;基于詞性特征提取的藏文文本分類方法研究[A];CCF NCSC 2011——第二屆中國計(jì)算機(jī)學(xué)會(huì)服務(wù)計(jì)算學(xué)術(shù)會(huì)議論文集[C];2011年

9 王茵;陳孝威;;基于層次特征提取及形態(tài)學(xué)的圖像分割算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

10 史廣智;胡均川;;艦船螺旋槳葉片數(shù)識(shí)別研究[A];2005年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 易軍;人臉識(shí)別中的特征提取與度量學(xué)習(xí)算法研究[D];北京郵電大學(xué);2015年

2 陳超;復(fù)雜光照條件下的人臉識(shí)別方法研究[D];浙江大學(xué);2016年

3 苗捷;時(shí)空特征提取方法研究[D];華南理工大學(xué);2016年

4 譚文學(xué);基于機(jī)器學(xué)習(xí)的作物病害圖像處理及病變識(shí)別方法研究[D];北京工業(yè)大學(xué);2016年

5 彭藝;面向可視化的特征提取、簡化與追蹤[D];清華大學(xué);2015年

6 王勝;基于子空間的特征提取與融合算法研究[D];南京理工大學(xué);2016年

7 杜建衛(wèi);希爾伯特黃變換方法及其在特征提取中的應(yīng)用研究[D];北京科技大學(xué);2017年

8 游大濤;基于聽覺機(jī)理的魯棒特征提取及在說話人識(shí)別中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2013年

9 趙武鋒;人臉識(shí)別中特征提取方法的研究[D];浙江大學(xué);2009年

10 楊章靜;基于鄰域結(jié)構(gòu)的特征提取及其在人臉識(shí)別中的應(yīng)用研究[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 湯鵬;基于LDA的特征提取及其在人臉識(shí)別中的應(yīng)用[D];河北大學(xué);2015年

2 安磊磊;基于改進(jìn)PCA和LDA的特征提取方法[D];河北大學(xué);2015年

3 周雷;基于深度學(xué)習(xí)的人臉美麗預(yù)測研究[D];五邑大學(xué);2015年

4 王婷婷;基于圖像處理技術(shù)的古籍電子化研究[D];五邑大學(xué);2015年

5 謝乃俊;低秩矩陣恢復(fù)在維數(shù)約簡中的研究與應(yīng)用[D];江西理工大學(xué);2015年

6 端明亮;基于哼唱搜索的音樂檢索系統(tǒng)研究[D];電子科技大學(xué);2015年

7 陸浩;基于線狀特征提取的機(jī)場目標(biāo)識(shí)別技術(shù)[D];電子科技大學(xué);2014年

8 劉奇;基于語義的惡意代碼行為特征提取與分類技術(shù)研究[D];電子科技大學(xué);2014年

9 楊培;基于改進(jìn)特征提取的評(píng)論有效性分類模型[D];武漢紡織大學(xué);2015年

10 張達(dá)明;基于局部特征提取的場景分類算法研究[D];電子科技大學(xué);2015年

，

本文編號(hào)：1442097