發(fā)布時間：2017-09-07 01:02

  本文關(guān)鍵詞：基于復(fù)雜網(wǎng)絡(luò)的圖像分類研究

  更多相關(guān)文章： 圖像分類 圖像特征網(wǎng)絡(luò) 網(wǎng)絡(luò)統(tǒng)計量 特征編碼 SVM

【摘要】：圖像分類是根據(jù)數(shù)字圖像中所包含的特征,按照圖像特征間的差異,將目標(biāo)圖像分為不同類別的一種圖像處理方法。隨著計算機技術(shù)與互聯(lián)網(wǎng)的發(fā)展,利用人工智能、機器學(xué)習(xí)等方法實現(xiàn)圖像分類是近年來研究的熱點問題。在圖像分類研究中,圖像特征的提取與圖像特征編碼是研究中的熱點與難點問題。圖像的特征提取是圖像分類的基礎(chǔ),在特征提取過程中特征的完備性是圖像能夠正確分類的基礎(chǔ)。圖像特征編碼是對圖像特征進一步的統(tǒng)計與分析,直接影響圖像分類的準(zhǔn)確率。在本文中,從特征提取與特征編碼兩個角度對圖像分類技術(shù)進行研究。首先,在特征提取的過程中提出了基于復(fù)雜網(wǎng)絡(luò)的圖像特征提取方法,將數(shù)字圖像的特征點作為網(wǎng)絡(luò)節(jié)點,特征點間的相互關(guān)系作為權(quán)重,構(gòu)造復(fù)雜網(wǎng)絡(luò),為圖像特征提取做好充分準(zhǔn)備。在本文中,對常用的圖像特征提取算法進行分析與對比后,采用SIFT特征作為圖像特征網(wǎng)絡(luò)節(jié)點,并對常用的相似性度量方法進行分析,采用相關(guān)系數(shù)作為網(wǎng)絡(luò)中連邊的權(quán)重。然后,選用常用的統(tǒng)計常量對網(wǎng)絡(luò)特征進行表征,完備圖像信息的表達(dá)。其次,在特征編碼過程中,為了抑制局部線性約束編碼的不穩(wěn)定性,提出了一種新的編碼方式,即通過增加非負(fù)性約束條件,以增強編碼算法的穩(wěn)定性。在圖像特征匯聚階段,采用最大值匯聚,實現(xiàn)特征向量對數(shù)字圖像的表達(dá)。最后,用分類器完成圖像分類。實驗表明,本文提出的算法能夠?qū)D像進行有效的分類,在VOC Action classification數(shù)據(jù)集上分類準(zhǔn)確率最高可以達(dá)到97.00%。因此,是一種較為有效的圖像分類算法。
【關(guān)鍵詞】：圖像分類 圖像特征網(wǎng)絡(luò) 網(wǎng)絡(luò)統(tǒng)計量 特征編碼 SVM
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;O157.5
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 課題背景及研究目的與意義10-12
• 1.2 圖像分類算法的研究現(xiàn)狀12-14
• 1.2.1 基本視覺特征提取12-13
• 1.2.2 視覺特征表達(dá)13
• 1.2.3 視覺特征學(xué)習(xí)13-14
• 1.3 本文研究內(nèi)容14
• 1.4 本文組織結(jié)構(gòu)14-16
• 第2章 復(fù)雜網(wǎng)絡(luò)基本概念與圖像網(wǎng)絡(luò)節(jié)點定位16-25
• 2.1 引言16
• 2.2 復(fù)雜網(wǎng)絡(luò)的發(fā)展16-18
• 2.3 復(fù)雜網(wǎng)絡(luò)的基本概念及其表示18-20
• 2.4 圖像特征網(wǎng)絡(luò)節(jié)點的選擇20-22
• 2.5 圖像網(wǎng)絡(luò)節(jié)點定位22-24
• 2.6 本章小結(jié)24-25
• 第3章 圖像網(wǎng)絡(luò)特征提取25-39
• 3.1 引言25
• 3.2 圖像特征的權(quán)重確定25-27
• 3.3 特征網(wǎng)絡(luò)的矩陣描述27-30
• 3.4 常用網(wǎng)絡(luò)參數(shù)30-33
• 3.4.1 節(jié)點的度30
• 3.4.2 節(jié)點強度與離散度30-31
• 3.4.3 聚類系數(shù)31-32
• 3.4.4 平均路徑長度32
• 3.4.5 圖像特征網(wǎng)絡(luò)的參數(shù)提取32-33
• 3.5 圖像網(wǎng)絡(luò)特征提取33-35
• 3.6 網(wǎng)絡(luò)統(tǒng)計量有效性分析35-37
• 3.7 本章小結(jié)37-39
• 第4章 非負(fù)編碼39-48
• 4.1 引言39
• 4.2 基于BOF與SPM的圖像分類整體框架39-40
• 4.3 常用特征編碼算法40-44
• 4.3.1 詞袋模型40-41
• 4.3.2 空間金字塔匹配41-42
• 4.3.3 特征編碼算法42-44
• 4.3.4 特征匯聚44
• 4.4 非負(fù)編碼44-45
• 4.5 非負(fù)編碼穩(wěn)定性分析45-47
• 4.6 本章小結(jié)47-48
• 第5章 實驗結(jié)果與分析48-58
• 5.1 引言48
• 5.2 支持向量機48-51
• 5.2.1 線性可分49-50
• 5.2.2 線性不可分50
• 5.2.3 核函數(shù)50-51
• 5.3 復(fù)雜網(wǎng)絡(luò)的圖像分類實驗51-53
• 5.4 復(fù)雜網(wǎng)絡(luò)的圖像分類算法分析53-56
• 5.4.1 網(wǎng)絡(luò)特征提取對分類影響54-55
• 5.4.2 非負(fù)編碼對分類影響55-56
• 5.5 本章小結(jié)56-58
• 結(jié)論58-59
• 參考文獻59-64
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果64-65
• 致謝65

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蔣玲芳;張偉;司夢;;基于詞袋模型的電子報圖像分類方法研究[J];信陽師范學(xué)院學(xué)報(自然科學(xué)版);2013年01期

2 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(自然科學(xué)版);2010年01期

3 許憲東;王亞東;運海紅;;統(tǒng)計學(xué)習(xí)在圖像分類中的應(yīng)用研究綜述[J];黑龍江科技信息;2012年32期

4 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類制圖方法研究[J];遙感信息;1987年04期

5 胡召玲,郭達(dá)志,盛業(yè)華;基于小波紋理信息的星載SAR圖像分類研究[J];遙感信息;2000年04期

6 王宇e，

本文編號：806480