基于特征融合的亚洲食物图片分类方法研究

发布时间：2022-07-03 19:42

　　图片分类技术旨在借助机器学习算法与计算机的高速运算能力来实现图片信息的提取、理解与分类。而食物图片分类作为细粒度的分类问题,在具体实施过程中面临更多困难。不同国家和地区的饮食习惯与菜品呈现方式差异很大,尤其是亚洲食物图片,其内容琐碎、结构复杂,相关分类量化方法仍有较大空白,亟需针对亚洲食物特点制定的特征提取与融合方案。针对上述问题,本文进行了分类模型构建与特征提取方案制定两个层面的研究工作:（1）分类模型构建部分,提出一种针对亚洲食物图片的分类模型MDFC（Multidimensional Fusion and Classification）。其完整处理流程包括:在图片预处理阶段使用Grab Cut算法进行迭代化的图片分割过程,去除背景干扰信息的同时突显食物主体;在特征提取阶段使用SURF描述子进行局部特征表示,并借助图片的颜色特征进一步加强特征向量的表达能力;在分类阶段使用配置径向基核函数的支持向量机进行数据分类操作。MDFC各技术组成部分及参数设定均已针对亚洲菜品的特有结构进行优化,经过实验验证,可以有效提升亚洲食物图片分类效果。（2）特征提取方案制定部分,提出了结合亚洲食物图片的... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
    1.3 本文的组织结构
        1.3.1 论文研究内容
        1.3.2 论文创新之处
        1.3.3 论文组织结构
第二章 基于内容的图片分类技术
    2.1 图片分类技术框架
        2.1.1 图片信息提取
        2.1.2 分类模型构建
    2.2 图片分割算法
        2.2.1 基于图论的Graph Cuts算法
        2.2.2 基于GMM的 Grab Cut算法
    2.3 图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 图片颜色特征提取方法
        2.4.1 颜色空间
        2.4.2 颜色特征量化与表示
        2.4.3 相似度度量标准
    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 图片分类器
        2.6.1 线性SVM分类器
        2.6.2 非线性SVM分类器
    2.7 本章小结
第三章 亚洲食物图片分类模型MDFC
    3.1 MDFC亚洲图片分类框架
    3.2 使用Grab Cut进行图片分割
    3.3 局部特征提取
        3.3.1 局部特征提取过程
        3.3.2 局部特征提取效率
    3.4 颜色特征提取
        3.4.1 局部颜色特征提取
        3.4.2 全局颜色特征提取
    3.5 特征融合
        3.5.1 特征融合方式
        3.5.2 特征融合结构
    3.6 图片分类
    3.7 本章小结
第四章 基于特征融合的图片分类设计与仿真
    4.1 仿真设计概述
    4.2 仿真平台说明
    4.3 仿真系统的设计与搭建
        4.3.1 数据准备
        4.3.2 特征提取与融合
        4.3.3 SVM分类器的构建
    4.4 仿真结果与分析
        4.4.1 图片分割
        4.4.2 局部特征提取
        4.4.3 局部颜色特征提取
        4.4.4 全局颜色特征提取
        4.4.5 特征融合
    4.5 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 研究展望
参考文献
在读期间公开发表的论文
致谢


【参考文献】：
期刊论文
[1]基于特征融合的室外天气图像分类[J]. 郭志强,胡永武,刘鹏,杨杰.  计算机应用. 2020(04)
[2]基于量化颜色特征和SURF检测器的图像盲鉴别算法[J]. 胡梦琪,郑继明.  计算机科学. 2019(S2)
[3]中西方食物与营养发展的差异化比较及借鉴[J]. 王东阳.  中国食物与营养. 2019(07)
[4]图割综述[J]. 杨晨晓,辛月兰.  电子设计工程. 2018(06)
[5]基于优化视觉词袋模型的图像分类方法[J]. 张永,杨浩.  计算机应用. 2017(08)
[6]影响特征检测子鲁棒性与速度方法的对比分析[J]. 孙世宇,张岩,李建增,李德良,杜玉龙,杜文博,张帅.  电光与控制. 2017(08)
[7]基于支持向量机的遥感图像分类研究综述[J]. 王振武,孙佳骏,于忠义,卜异亚.  计算机科学. 2016(09)
[8]图像分割中的超像素方法研究综述[J]. 宋熙煜,周利莉,李中国,陈健,曾磊,闫镔.  中国图象图形学报. 2015(05)
[9]组合金字塔和多核学习的图像分类方法[J]. 甘玲,谷伟庆.  小型微型计算机系统. 2014(07)
[10]基于多特征的红外与可见光图像融合[J]. 杨桄,童涛,陆松岩,李紫阳,郑悦.  光学精密工程. 2014(02)

博士论文
[1]图像直方图特征及其应用研究[D]. 汪启伟.中国科学技术大学 2014



本文编号：3655527