基于内容的电子商务图像分类研究

发布时间：2017-08-01 16:36

  本文关键词：基于内容的电子商务图像分类研究

  更多相关文章： 电子商务 特征提取 混合隶属度 图像分类

【摘要】：近年来,随着互联网的发展和普及,网络购物已经成为一种新的潮流,随之而来也出现了越来越多的网上购物平台。随着商品图像数据量的暴增,如何对大规模的商品图像数据库进行高效、准确的管理是亟待解决的技术难题。基于内容的图像分类技术可对商品图像进行有效的分类管理,在此之上进行检索可以提高图像检索的效率和准确率。本文对基于内容的电子商务图像分类问题主要从以下几个方面进行研究：(1)深入分析了三种常见的图像底层视觉特征提取方法,分别从图像中的颜色、纹理和形状特征来提取,其中,颜色特征包括：颜色直方图、颜色矩和颜色聚合向量；纹理特征包括：灰度共生矩阵、Gabor纹理和Tamura纹理；形状特征包括：边界特征、傅里叶描述子和形状不变矩等。同时研究了目前常用的三种图像分类算法,分别包括K最近邻(KNN)、支持向量机(SVM)和BP神经网络。从理论性和实用性角度出发,对这三种常见分类算法的优缺点进行了分析总结。(2)针对目前图像分类中存在的使用单一分类器和分类器的隶属度函数为单一线性函数的问题,本文提出了基于混合隶属度的模糊支持向量机-模糊最近令(Fuzzy Support Vector Machine-Fuzzy K-Nearest Neighbor,FSVM-FKNN)集成分类算法,该算法首先结合线性距离的隶属度函数和紧密度的隶属度函数的优点,构造出一种混合隶属度函数,然后将其用在SVM和KNN的集成分类器中,最后选择分类概率值较大的作为最终的分类结果。并对本文提出的这种分类算法的理论基础和实现思路进行了详细的阐述。(3)给出了各种特征提取方法和图像分类算法的实验结果及分析说明,得出将颜色和纹理特征结合的多特征提取方法可以很好的提高图像分类的准确率,同时SVM分类算法相比其它两种分类算法最优。并对本文提出的基于混合隶属度的FSVM-FKNN集成分类算法与传统的SVM、KNN、模糊SVM和模糊KNN进行了实验对比,实验结果表明：本文提出的基于混合隶属度的FSVM-FKNN集成分类算法能够有效解决商品图像的分类问题,使得分类准确率提高近3%。
【关键词】：电子商务 特征提取 混合隶属度 图像分类
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-6
• 专业术语注释表6-9
• 第一章 绪论9-15
• 1.1 选题背景与意义9-10
• 1.2 图像分类技术的研究现状10-12
• 1.3 论文主要内容12-14
• 1.4 章节安排14-15
• 第二章 基于内容的图像分类研究15-39
• 2.1 基于内容的图像分类过程15-16
• 2.2 图像内容描述即特征提取16-28
• 2.2.1 颜色特征提取17-23
• 2.2.2 纹理特征提取23-27
• 2.2.3 形状特征提取27-28
• 2.3 图像分类方法28-36
• 2.3.1 最近邻分类器28-30
• 2.3.2 支持向量机30-33
• 2.3.3 人工神经网络33-36
• 2.4 图像分类算法的优缺点对比36-37
• 2.4.1 最近邻分类算法优缺点36-37
• 2.4.2 支持向量机算法优缺点37
• 2.4.3 人工神经网络算法优缺点37
• 2.5 本章小结37-39
• 第三章 基于混合隶属度的集成分类器39-49
• 3.1 隶属度函数39-44
• 3.1.1 隶属度函数的引入39-41
• 3.1.2 混合隶属度函数的设计41-44
• 3.2 基于混合隶属度的集成分类器的设计44-47
• 3.2.1 模糊最近邻分类器的设计44-45
• 3.2.2 模糊支持向量机分类器的设计45-47
• 3.2.3 集成分类器FSVM-FKNN的设计47
• 3.3 本章总结47-49
• 第四章 实验结果与分析49-63
• 4.1 分类性能评价指标49
• 4.2 实验对象49-50
• 4.3 电子商务图像的特征提取50-55
• 4.3.1 电子商务图像的颜色特征提取51-53
• 4.3.2 电子商务图像的纹理特征提取53-55
• 4.4 多特征分类下的实验结果55-57
• 4.5 不同分类器的分类结果57-61
• 4.6 本章小结61-63
• 总结与展望63-65
• 参考文献65-69
• 攻读硕士学位期间取得的学术成果69-70
• 致谢70

【相似文献】

中国期刊全文数据库 前10条

1 杜玫芳;;数字图书馆中图像分类技术研究[J];现代计算机(专业版);2008年01期

2 周晓光;匡纲要;万建伟;;极化SAR图像分类综述[J];信号处理;2008年05期

3 秦磊;高文;;基于内容相关性的场景图像分类方法[J];计算机研究与发展;2009年07期

4 杨怿菲;;一种基于图像特征的图像分类方法[J];现代电子技术;2009年14期

5 毕萍;;图像分类方法的对比研究[J];现代电子技术;2009年18期

6 孟海东;郝永宽;王淑玲;;聚类分析在非监督图像分类中的应用研究[J];计算机与现代化;2009年10期

7 姚晓昆;邱桃荣;葛寒娟;刘清;王剑;;基于多层次相容粒度的图像分类[J];河北师范大学学报(自然科学版);2010年01期

8 郭立君;赵杰煜;史忠植;;生成模型与判别方法相融合的图像分类方法[J];电子学报;2010年05期

9 黄涛;陈三风;;人工场景图像分类技术研究[J];深圳信息职业技术学院学报;2010年02期

10 张杰;郭小川;金城;陆伟;;基于特征互补率矩阵的图像分类方法[J];计算机工程;2011年04期

中国重要会议论文全文数据库 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

中国博士学位论文全文数据库 前10条

1 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

2 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

3 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

4 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

5 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

6 王海江;极化SAR图像分类方法研究[D];电子科技大学;2008年

7 韩东峰;图像分类识别中特征及模型的若干问题研究[D];吉林大学;2008年

8 白有茂;基于张量流形学习的图像分类技术研究[D];中国矿业大学（北京）;2013年

9 龙显忠;矩阵分解方法在图像分类中的应用研究[D];上海交通大学;2014年

10 周晓光;极化SAR图像分类方法研究[D];国防科学技术大学;2008年

中国硕士学位论文全文数据库 前10条

1 赵八一;基于概率图模型的图像分类和注释[D];大连理工大学;2010年

2 冀翠萍;基于内容的图像分类研究[D];山东师范大学;2008年

3 鲜艳明;多特征结合与支持向量机集成在图像分类中的应用[D];西安科技大学;2011年

4 周鸽;基于“词袋”模型的图像分类系统[D];苏州大学;2011年

5 杨楠;基于内容的商品图像分类技术研究[D];大连理工大学;2011年

6 吴军;基于正负模糊系统的图像分类的研究及其应用[D];江南大学;2012年

7 黄飞;基于局部不变特征的图像分类研究[D];北京邮电大学;2013年

8 刘程;基于词袋模型的图像分类技术研究[D];安徽大学;2014年

9 郝永宽;聚类分析在图像分类中的应用研究[D];内蒙古科技大学;2008年

10 陈佳琛;快速主动禁忌搜索及其在图像分类中的应用[D];复旦大学;2010年

，

本文编号：605196