本文選題：圖像分類　切入點：支持向量機　出處：《江西理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：圖像分類是計算機視覺領(lǐng)域的研究熱點之一,隨著網(wǎng)絡(luò)資源的日益多樣性,圖像規(guī)模愈來愈大,內(nèi)容愈來愈復(fù)雜,表現(xiàn)形式也愈來愈多樣,圖像的復(fù)雜化使得圖像分類技術(shù)面臨著巨大的挑戰(zhàn)。本文綜合目前圖像分類的相關(guān)算法,概括出現(xiàn)存算法的不足之處并給出相應(yīng)的對應(yīng)方法。針對小規(guī)模圖像分類技術(shù)的單一性與局限性、現(xiàn)存的大規(guī)模圖像分類精度低的問題,分別給出了不同的解決方案并進行了詳細的闡述。為探求性能更高的小規(guī)模分類圖像技術(shù),提出基于Daubechies小波的快速PCA和SVM(DW-FPSVM)的圖像分類算法。先對圖像進行一次二維Daubechies小波分解并提取人臉特征,接著利用快速PCA對特征降維去噪處理,最后建立支持向量機模型對處理好的特征進行分類。本文以O(shè)RL人臉圖像庫作為輸入展開實驗,得出:圖像分類的準確率隨支持向量機核參數(shù)?的增大而減小且DW-FPSVM算法能夠有效的提高圖像分類的準確性和穩(wěn)固性。除此之外,還從訓(xùn)練時間和分類時間將DW-FPSVM與其它算法的相關(guān)時間做了比較,證明了該算法的高效性。針對淺層次大規(guī)模圖像分類的低精度問題,提出深層次特征學(xué)習(xí)的Adaboost圖像分類算法(AICDFL)。首先以DBN作為弱分類器對樣本圖像進行學(xué)習(xí),根據(jù)每次訓(xùn)練得到的錯誤率以及各樣本的分類準確性調(diào)整權(quán)值;然后使用BP算子回溯再次整體調(diào)整體樣本權(quán)值并輸出調(diào)整后的每個分類器的錯誤率,最后將所有弱分類器集成強分類器,輸出最終結(jié)果。本文使用MNIST和ETH-80兩種數(shù)據(jù)集進行實驗仿真,并將分類結(jié)果與其他算法的分類結(jié)果進行比較。結(jié)果表明AICDFL算法最優(yōu),有效實現(xiàn)高精度的大規(guī)模圖像分類,更具應(yīng)用優(yōu)勢。
[Abstract]:Image classification is one of the research hotspots in the field of computer vision, with the growing diversity of cyber source, the image scale is more and more big, the content is more complex, form more and more diverse and complicated image so that the image classification technology is facing a huge challenge. The comprehensive algorithm for image classification at present, sums up deficiencies of the algorithm and the corresponding method. The single and the limitations of small scale image classification technology, large-scale image classification accuracy of the existing problem of low, different solutions are given and described in detail. In order to seek higher performance of small scale image classification technology, proposed Daubechies wavelet fast PCA and SVM (DW-FPSVM) based on the image classification algorithm. First the image of a two-dimensional Daubechies wavelet decomposition and feature extraction, and then use the fast PCA For feature reduction denoising, finally establish the model of support vector machine to classify the deal. Based on the ORL face image database as input expansion experiments that the accuracy of image classification with SVM kernel parameters? Decreases and the DW-FPSVM algorithm to image classification accuracy and improve the stability in addition, also makes a comparison between the DW-FPSVM algorithm and other related time from the training time and classification time, show the efficiency of the proposed algorithm. Aiming at the problem of low precision of shallow level large-scale image classification, proposed Adaboost image classification algorithm study deep level feature (AICDFL). Using DBN as a weak classifier study on the sample image, according to the error rates of each training sample and the classification accuracy of adjusting weight; and then use the BP operator back again to adjust the overall body like the weight The error rate and the output of each classifier is adjusted, finally all the weak classifiers strong classifier, the results of the final output. This paper uses MNIST and ETH-80 two data set for experiment simulation, classification and the classification results were compared with the results of other algorithms. The results show that AICDFL algorithm is optimal, effective implementation of large-scale image classification with high accuracy and more advantages.

【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 丁美昆;徐昱琳;蔣財軍;;深度信念網(wǎng)絡(luò)研究綜述[J];工業(yè)控制計算機;2016年04期

2 郭海鳳;陳月霞;孫周寶;;改進的ISOMAP算法在人臉識別中的應(yīng)用[J];計算機與現(xiàn)代化;2015年09期

3 高強;李倩;;基于多尺度主線方向特征的DBN分類方法[J];電視技術(shù);2015年15期

4 黨存祿;張旭;;基于Daubechies小波族的電能質(zhì)量信號去噪方法研究[J];電網(wǎng)與清潔能源;2014年12期

5 柴瑞敏;曹振基;;基于Gabor小波與深度信念網(wǎng)絡(luò)的人臉識別方法[J];計算機應(yīng)用;2014年09期

6 李惠彬;郝洲;曹國華;;中國碳交易試點省市碳排放權(quán)的初始分配研究——基于Boltzmann分布[J];當(dāng)代經(jīng)濟;2014年13期

7 黃凱奇;任偉強;譚鐵牛;;圖像物體分類與檢測算法綜述[J];計算機學(xué)報;2014年06期

8 王輝;陳泓予;劉淑芬;;基于改進樸素貝葉斯算法的入侵檢測系統(tǒng)[J];計算機科學(xué);2014年04期

9 余鷹;苗奪謙;劉財輝;王磊;;基于變精度粗糙集的KNN分類改進算法[J];模式識別與人工智能;2012年04期

10 李超;劉鐵根;劉宏利;江俊峰;姚曉天;;融合SVM和AdaBoost的近紅外人臉識別方法[J];激光與紅外;2012年02期

相關(guān)碩士學(xué)位論文 前5條

1 劉樹春;基于支持向量機和深度學(xué)習(xí)的分類算法研究[D];華東師范大學(xué);2015年

2 呂娜;基于深度層次特征學(xué)習(xí)的大規(guī)模圖像分類研究[D];電子科技大學(xué);2015年

3 魏會建;基于屬性約簡和屬性加權(quán)的樸素貝葉斯分類算法的研究[D];吉林大學(xué);2014年

4 袁正海;人臉識別系統(tǒng)及關(guān)鍵技術(shù)研究[D];南京郵電大學(xué);2013年

5 張俊;基于局部特征集合的圖像匹配技術(shù)研究與應(yīng)用[D];浙江大學(xué);2011年

，

本文編號：1636674