分類是數(shù)據(jù)挖掘和機器學習的重要研究任務,而其中的圖像分類是圖像挖掘的熱門研究方向。圖像分類通常由特征提取、特征表達以及分類器三個部分組成。但圖像分類的性能很大程度上由提取特征的有效性決定,有效的特征可以提高圖像分類的性能。在實際應用中,可以依賴于相關領域的先驗知識實現(xiàn)特征的有效提取,但需要耗費大量的時間,而且很難有效表達圖像信息。深度學習(Deep Learning,DL)的出現(xiàn)成功地解決了圖像分析處理難的問題,也為圖像分類提供了有效方法。深度卷積神經(jīng)網(wǎng)絡(Deep Convolution Neural Network,DCNN)作為一種深層神經(jīng)網(wǎng)絡模型,在圖像識別、運動分析和醫(yī)學診斷等眾多領域都表現(xiàn)出良好的性能。但DCNN應用于復雜場景圖像分類時,其模型性能仍然依賴于現(xiàn)有的網(wǎng)絡能否準確遷移到特定圖像上。為此,本文提出了基于深度學習的多特征融合圖像分類方法,該方法基于DCNN和圖像紋理特征,以提高對圖像分類的準確性為目標,結(jié)合圖像處理分類器建立了多特征融合模型,本文具體貢獻和工作如下:(1)分析了 DCNN模型的特點,并以Inception網(wǎng)絡模型作為實現(xiàn)DCNN的基礎模型。利用圖像數(shù)...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像分類的研究現(xiàn)狀
        1.2.3 深度學習的研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)安排
2 相關理論方法
    2.1 傳統(tǒng)圖像分類方法
        2.1.1 隨機森林
        2.1.2 支持向量機
    2.2 神經(jīng)網(wǎng)絡方法
        2.2.1 神經(jīng)網(wǎng)絡
        2.2.2 卷積神經(jīng)網(wǎng)絡
    2.3 本章小結(jié)
3 基于DCNN的多特征融合圖像分類模型
    3.1 基于DCNN遷移學習的圖像分類模型
        3.1.1 深度卷積神經(jīng)網(wǎng)絡(DCNN)
        3.1.2 DCNN的訓練
        3.1.3 DCNN遷移學習模型網(wǎng)絡結(jié)構(gòu)
    3.2 基于XGBoost的圖像分類模型
        3.2.1 支持向量機分類模型
        3.2.2 XGBoost分類模型
    3.3 多特征融合圖像分類模型
        3.3.1 灰度共生矩陣(GLCM)
        3.3.2 方向梯度直方圖
        3.3.3 基于紋理特征的圖像分類模型
        3.3.4 多特征融合圖像分類模型的設計
    3.4 本章小結(jié)
4 多特征融合圖像分類模型的應用
    4.1 數(shù)據(jù)來源與預處理
        4.1.1 圖像數(shù)據(jù)來源
        4.1.2 圖像預處理
        4.1.3 圖像特征分析
    4.2 基于遷移學習的圖像分類模型的實驗結(jié)果
        4.2.1 樣本數(shù)據(jù)選取
        4.2.2 結(jié)果對比與分析
    4.3 多特征融合圖像分類模型實驗結(jié)果分析
        4.3.1 訓練結(jié)果對比分析
        4.3.2 測試結(jié)果對比分析
        4.3.3 與現(xiàn)有文獻對比分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 未來展望
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果



本文編號：3794001