基于复杂网络的图像分类研究

发布时间：2017-09-07 01:02

  本文关键词：基于复杂网络的图像分类研究

  更多相关文章： 图像分类 图像特征网络 网络统计量 特征编码 SVM

【摘要】：图像分类是根据数字图像中所包含的特征,按照图像特征间的差异,将目标图像分为不同类别的一种图像处理方法。随着计算机技术与互联网的发展,利用人工智能、机器学习等方法实现图像分类是近年来研究的热点问题。在图像分类研究中,图像特征的提取与图像特征编码是研究中的热点与难点问题。图像的特征提取是图像分类的基础,在特征提取过程中特征的完备性是图像能够正确分类的基础。图像特征编码是对图像特征进一步的统计与分析,直接影响图像分类的准确率。在本文中,从特征提取与特征编码两个角度对图像分类技术进行研究。首先,在特征提取的过程中提出了基于复杂网络的图像特征提取方法,将数字图像的特征点作为网络节点,特征点间的相互关系作为权重,构造复杂网络,为图像特征提取做好充分准备。在本文中,对常用的图像特征提取算法进行分析与对比后,采用SIFT特征作为图像特征网络节点,并对常用的相似性度量方法进行分析,采用相关系数作为网络中连边的权重。然后,选用常用的统计常量对网络特征进行表征,完备图像信息的表达。其次,在特征编码过程中,为了抑制局部线性约束编码的不稳定性,提出了一种新的编码方式,即通过增加非负性约束条件,以增强编码算法的稳定性。在图像特征汇聚阶段,采用最大值汇聚,实现特征向量对数字图像的表达。最后,用分类器完成图像分类。实验表明,本文提出的算法能够对图像进行有效的分类,在VOC Action classification数据集上分类准确率最高可以达到97.00%。因此,是一种较为有效的图像分类算法。
【关键词】：图像分类 图像特征网络 网络统计量 特征编码 SVM
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;O157.5
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-16
• 1.1 课题背景及研究目的与意义10-12
• 1.2 图像分类算法的研究现状12-14
• 1.2.1 基本视觉特征提取12-13
• 1.2.2 视觉特征表达13
• 1.2.3 视觉特征学习13-14
• 1.3 本文研究内容14
• 1.4 本文组织结构14-16
• 第2章 复杂网络基本概念与图像网络节点定位16-25
• 2.1 引言16
• 2.2 复杂网络的发展16-18
• 2.3 复杂网络的基本概念及其表示18-20
• 2.4 图像特征网络节点的选择20-22
• 2.5 图像网络节点定位22-24
• 2.6 本章小结24-25
• 第3章 图像网络特征提取25-39
• 3.1 引言25
• 3.2 图像特征的权重确定25-27
• 3.3 特征网络的矩阵描述27-30
• 3.4 常用网络参数30-33
• 3.4.1 节点的度30
• 3.4.2 节点强度与离散度30-31
• 3.4.3 聚类系数31-32
• 3.4.4 平均路径长度32
• 3.4.5 图像特征网络的参数提取32-33
• 3.5 图像网络特征提取33-35
• 3.6 网络统计量有效性分析35-37
• 3.7 本章小结37-39
• 第4章 非负编码39-48
• 4.1 引言39
• 4.2 基于BOF与SPM的图像分类整体框架39-40
• 4.3 常用特征编码算法40-44
• 4.3.1 词袋模型40-41
• 4.3.2 空间金字塔匹配41-42
• 4.3.3 特征编码算法42-44
• 4.3.4 特征汇聚44
• 4.4 非负编码44-45
• 4.5 非负编码稳定性分析45-47
• 4.6 本章小结47-48
• 第5章 实验结果与分析48-58
• 5.1 引言48
• 5.2 支持向量机48-51
• 5.2.1 线性可分49-50
• 5.2.2 线性不可分50
• 5.2.3 核函数50-51
• 5.3 复杂网络的图像分类实验51-53
• 5.4 复杂网络的图像分类算法分析53-56
• 5.4.1 网络特征提取对分类影响54-55
• 5.4.2 非负编码对分类影响55-56
• 5.5 本章小结56-58
• 结论58-59
• 参考文献59-64
• 攻读硕士学位期间承担的科研任务与主要成果64-65
• 致谢65

【相似文献】

中国期刊全文数据库 前10条

1 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期

2 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

3 许宪东;王亚东;运海红;;统计学习在图像分类中的应用研究综述[J];黑龙江科技信息;2012年32期

4 汪煜浩;华瑞林;;山地卫星图像分类制图方法研究[J];遥感信息;1987年04期

5 胡召玲,郭达志,盛业华;基于小波纹理信息的星载SAR图像分类研究[J];遥感信息;2000年04期

6 王宇e，

本文编号：806480