基于词袋模型和本体的图像分类研究

发布时间：2018-01-01 08:32

  本文关键词：基于词袋模型和本体的图像分类研究　出处：《西南科技大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 词袋模型 图像分类 本体 SIFT XML SVM

【摘要】：随着计算机技术的高速发展,每天都会有大量的图片产生,图像分类作为图像处理中一个热点方向也受到越来越多学者的关注。BOW词袋模型早期是用来处理文本分类的问题,因其具有简单高效的特点,被学者们扩展至图像分类的研究中,并获得了较好的效果。学者们在寻求好的解决办法的同时,发现“本体”不仅有助于提高信息的共享性,还能在进行信息组织时提高准确度。本文尝试将词袋模型与本体的相关知识结合,提出一种新的图像分类方法。本文首先详细介绍了词袋模型和本体的相关理论,然后介绍了图像特征提取的SIFT算法的特点,并使用SIFT算法提取出的图像特征构建视觉词典。接着利用本体来进行图像表达,并用XML语言进行记录。同时设计出SVM的图像分类器,最后对本文提出的基于词袋模型和本体的图像分类方法进行了实验。实验验证分类方法的准确性,实验结果表明分类原型系统的分类性能优于传统词袋分类方法,并能满足用户要求,为实际图像分类系统构建提供一种可行方案。
[Abstract]:With the rapid development of computer technology, a large number of images are generated every day. As a hot topic in image processing, image classification has attracted more and more scholars' attention. In the early stage of word bag model, it is used to deal with the problem of text classification, because of its simple and efficient characteristics. The scholars have extended to the research of image classification and got good results. While they are looking for a good solution, they find that ontology is not only helpful to improve the sharing of information. It can also improve the accuracy of information organization. This paper attempts to combine the lexical bag model with ontology knowledge. A new image classification method is proposed in this paper. Firstly, the related theories of word bag model and ontology are introduced in detail, and then the characteristics of SIFT algorithm for image feature extraction are introduced. The visual dictionary is constructed by using the image features extracted by SIFT algorithm. Then the image is expressed by ontology and recorded by XML language. At the same time, the image classifier of SVM is designed. Finally, the image classification method based on word bag model and ontology proposed in this paper is experimented to verify the accuracy of the classification method. The experimental results show that the classification performance of the prototype system is better than that of the traditional word bag classification method, and it can meet the requirements of the users and provide a feasible scheme for the construction of the actual image classification system.
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 朱峗,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期

2 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

3 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

4 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

5 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

6 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

7 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

8 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

9 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

10 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12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 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

7 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

8 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

9 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

10 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

中国硕士学位论文全文数据库 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

，

本文编号：1363735