基于Adaboost-DBN的图像分类算法研究

发布时间：2021-06-21 11:34

　　图像分类作为计算机视觉的一个重要分支,已经广泛应用于多种生活场景中。随着互联网技术的快速发展,网络数据愈发多样化,图像内容和规模的复杂化使得图像分类技术面临着巨大的挑战。因此如何高效提取图像特征并设计合理的分类器以提高分类精度,已经成为图像分类领域的热点研究课题。本文针对图像分类进行的工作如下,提出基于多分辨率LNIP的纹理特征描述子和基于局部相对颜色矢量角模式的颜色特征描述子。纹理特征提取中,首先对图像进行小波分解获得图像的多尺度信息,然后利用局部邻域增强模式提取多尺度图像子块的特征;颜色特征提取中,首先对图像的颜色空间单道色进行两两组合获得矢量信息,然后构建局部相对颜色矢量角提取颜色特征。在Corel-1K数据集上进行仿真实验,提出的两种特征描述子在DBN分类器中的分类精度达到83.4%和83.6%,在同一分类器下与其他特征描述子分类结果相比有较大的提升。Adaboost作为一种集成算法能够和多个同质分类器构成强分类模型,提高分类精度。在分类算法设计中,本文针对Adaboost算法要求基分类器分类精度较高的缺点对其进行改进,并以DBN作为基分类器设计了单输入Adaboost-DBN... 

【文章来源】：哈尔滨商业大学黑龙江省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

LBP模式

2图像特征提取及分类器相关理论11图2-2局部邻域差异模式2.1.3局部邻域增强模式传统的LBP模式将图像中的中心像素与邻域像素进行比较，从而生成二进制模式值。此模式只考虑像素之间的大小关系，未将像素之间的差值考虑进来。图2-3表示两种完全不同的局部结构模式，经过LBP编码后得到相同的二进制码，表明经过LBP编码的局部结构模式丢失了大量的局部信息，同时LBP也忽略了相邻像素对其二进制编码的影响。Banerjee等人[44]提出了一种基于局部邻域增强模式（LocalNeighborhoodIntensityPattern，LNIP）的纹理描述子。所提出的方法是基于特定像素的邻域拥有大量纹理信息的概念，这些信息可以被用于有效的纹理表示。利用相邻像素之间的相互关系的原因在于，模式计算不仅依赖于中心像素与其一个邻域像素之间的强度差的符号，而且考虑它们之间的差值的符号，以及邻域像素与其相邻像素之间的关系。这样可以使得图像值更能抵抗光照变化。此外，大部分LBP局部模式主要集中在符号信息上，从而忽略了幅度。通过考虑每个像素与相邻像素的绝对偏差的平均值，作为纹理描述符补充信息。最后，符号模式和幅度模式被连接成单个特征描述符来生成更有效的特征描述符。局部邻域增强模式按照图2-4所示计算LNIP模式值。图中显示中心像素cI的8个邻域像素中的每一个邻域（像素）-相邻（像素）关系。当i＝1,3,5,7时，iI有4个相邻像素；当i＝2,4,6,8时，iI有2个相邻像素。数学定义为式（2-5）：5-2）（8,6,4,2},{7,5,3,1},,,{)8,1mod(1)8,2mod(1)9,6mod(1)7,5mod(1IiIIIiIISiiiiiii对于LNIP的符号模式，首先计算中心像素的邻域像素iI与其相应的相邻像素iS之间

LBP 编码

【参考文献】：
期刊论文
[1]基于颜色特征的自适应阈值林木树干识别研究[J]. 宋文龙,莫冲,王琢.  现代电子技术. 2019(16)
[2]多维特征融合与Adaboost-SVM的车辆识别算法[J]. 崔鹏宇.  控制工程. 2019(03)
[3]基于差异性和准确性的加权调和平均度量的基因表达数据选择性集成算法[J]. 高慧云,陆慧娟,严珂,叶敏超.  计算机应用. 2018(05)
[4]阶层式三维形状环特征提取方法[J]. 左向梅,贾丽姣,韩鹏程.  计算机应用. 2018(06)
[5]一种基于小波变换的图像融合方法[J]. 谭仁龙.  测绘通报. 2017(09)
[6]一种新的基于颜色矢量角的图像空间描述符[J]. 赵珊,崔江涛,周利华.  光电工程. 2007(03)
[7]基于PCA和GMM的图像分类算法[J]. 肖政宏,王家廞.  计算机工程与设计. 2006(11)

硕士论文
[1]基于改进局部二值模式的图像分类算法研究[D]. 黄德志.吉林大学 2016



本文编号：3240601