圖片分類技術(shù)旨在借助機器學習算法與計算機的高速運算能力來實現(xiàn)圖片信息的提取、理解與分類。而食物圖片分類作為細粒度的分類問題,在具體實施過程中面臨更多困難。不同國家和地區(qū)的飲食習慣與菜品呈現(xiàn)方式差異很大,尤其是亞洲食物圖片,其內(nèi)容瑣碎、結(jié)構(gòu)復(fù)雜,相關(guān)分類量化方法仍有較大空白,亟需針對亞洲食物特點制定的特征提取與融合方案。針對上述問題,本文進行了分類模型構(gòu)建與特征提取方案制定兩個層面的研究工作:（1）分類模型構(gòu)建部分,提出一種針對亞洲食物圖片的分類模型MDFC（Multidimensional Fusion and Classification）。其完整處理流程包括:在圖片預(yù)處理階段使用Grab Cut算法進行迭代化的圖片分割過程,去除背景干擾信息的同時突顯食物主體;在特征提取階段使用SURF描述子進行局部特征表示,并借助圖片的顏色特征進一步加強特征向量的表達能力;在分類階段使用配置徑向基核函數(shù)的支持向量機進行數(shù)據(jù)分類操作。MDFC各技術(shù)組成部分及參數(shù)設(shè)定均已針對亞洲菜品的特有結(jié)構(gòu)進行優(yōu)化,經(jīng)過實驗驗證,可以有效提升亞洲食物圖片分類效果。（2）特征提取方案制定部分,提出了結(jié)合亞洲食物圖片的... 

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的組織結(jié)構(gòu)
        1.3.1 論文研究內(nèi)容
        1.3.2 論文創(chuàng)新之處
        1.3.3 論文組織結(jié)構(gòu)
第二章 基于內(nèi)容的圖片分類技術(shù)
    2.1 圖片分類技術(shù)框架
        2.1.1 圖片信息提取
        2.1.2 分類模型構(gòu)建
    2.2 圖片分割算法
        2.2.1 基于圖論的Graph Cuts算法
        2.2.2 基于GMM的 Grab Cut算法
    2.3 圖片局部特征提取方法
        2.3.1 SIFT特征
        2.3.2 SURF特征
        2.3.3 AKAZE特征
        2.3.4 BRISK特征
        2.3.5 ORB特征
    2.4 圖片顏色特征提取方法
        2.4.1 顏色空間
        2.4.2 顏色特征量化與表示
        2.4.3 相似度度量標準
    2.5 特征融合方法
        2.5.1 Bag of Features模型
        2.5.2 特征融合方式
    2.6 圖片分類器
        2.6.1 線性SVM分類器
        2.6.2 非線性SVM分類器
    2.7 本章小結(jié)
第三章 亞洲食物圖片分類模型MDFC
    3.1 MDFC亞洲圖片分類框架
    3.2 使用Grab Cut進行圖片分割
    3.3 局部特征提取
        3.3.1 局部特征提取過程
        3.3.2 局部特征提取效率
    3.4 顏色特征提取
        3.4.1 局部顏色特征提取
        3.4.2 全局顏色特征提取
    3.5 特征融合
        3.5.1 特征融合方式
        3.5.2 特征融合結(jié)構(gòu)
    3.6 圖片分類
    3.7 本章小結(jié)
第四章 基于特征融合的圖片分類設(shè)計與仿真
    4.1 仿真設(shè)計概述
    4.2 仿真平臺說明
    4.3 仿真系統(tǒng)的設(shè)計與搭建
        4.3.1 數(shù)據(jù)準備
        4.3.2 特征提取與融合
        4.3.3 SVM分類器的構(gòu)建
    4.4 仿真結(jié)果與分析
        4.4.1 圖片分割
        4.4.2 局部特征提取
        4.4.3 局部顏色特征提取
        4.4.4 全局顏色特征提取
        4.4.5 特征融合
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 研究展望
參考文獻
在讀期間公開發(fā)表的論文
致謝


【參考文獻】：
期刊論文
[1]基于特征融合的室外天氣圖像分類[J]. 郭志強,胡永武,劉鵬,楊杰.  計算機應(yīng)用. 2020(04)
[2]基于量化顏色特征和SURF檢測器的圖像盲鑒別算法[J]. 胡夢琪,鄭繼明.  計算機科學. 2019(S2)
[3]中西方食物與營養(yǎng)發(fā)展的差異化比較及借鑒[J]. 王東陽.  中國食物與營養(yǎng). 2019(07)
[4]圖割綜述[J]. 楊晨曉,辛月蘭.  電子設(shè)計工程. 2018(06)
[5]基于優(yōu)化視覺詞袋模型的圖像分類方法[J]. 張永,楊浩.  計算機應(yīng)用. 2017(08)
[6]影響特征檢測子魯棒性與速度方法的對比分析[J]. 孫世宇,張巖,李建增,李德良,杜玉龍,杜文博,張帥.  電光與控制. 2017(08)
[7]基于支持向量機的遙感圖像分類研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計算機科學. 2016(09)
[8]圖像分割中的超像素方法研究綜述[J]. 宋熙煜,周利莉,李中國,陳健,曾磊,閆鑌.  中國圖象圖形學報. 2015(05)
[9]組合金字塔和多核學習的圖像分類方法[J]. 甘玲,谷偉慶.  小型微型計算機系統(tǒng). 2014(07)
[10]基于多特征的紅外與可見光圖像融合[J]. 楊桄,童濤,陸松巖,李紫陽,鄭悅.  光學精密工程. 2014(02)

博士論文
[1]圖像直方圖特征及其應(yīng)用研究[D]. 汪啟偉.中國科學技術(shù)大學 2014



本文編號：3655527