《基于词袋模型的图像分类方法研究毕业论文》由会员分享，可在线阅读，更多相关《基于词袋模型的图像分类方法研究毕业论文（45页珍藏版）》请在金锄头文库上搜索。
1、 毕业论文（设计） 题目 ：基于词袋模型的图像分类方法研究学院 : 专业 : 年级 : 姓名 : 学号 : 指导教师: 年 月 日 基于词袋模型的图像分类方法研究 基于词袋模型的图像分类方法研究摘要近年来，随着网络技术的迅速发展和网络信息的日益多样化，数字图像的数量呈爆发式增长，其发展趋势也呈现复杂化和多样化。传统的人工标注分类方法效率低下，已不能对海量图像进行快速分类，因此需要一种智能的自动分类技术对图像进行分类与处理。图像分类技术不仅需要图像处理的相关知识，同时也涉及机器视觉学习的相关理论。提高图像分类的性能是模式识别和计算机视觉范畴需要研究的重要课题，十分具有应用前景。本文用基于词袋模型
2、的场景图像分类方法进行研究。它首先用密度尺度不变特征变换(Dense SIFT)来提取场景图像的特征，形成特征描述子，并在特征空间上用K-means聚类的方法，把视觉特征分成很多类。其中，每一个聚类中心即为一个视觉词汇，然后统计各个视觉词汇的出现频率，并形成基于码书的直方图矢量，可获得图像分类的词袋描述。最后，训练SVM分类器，并比较基于SVM分类器两种不同核（RBF和HI）时的分类效果。在词袋模型的基础上，加入了空间金字塔匹配（SPM）核,分别结合SVM分类器的两种不同核（RBF和HI），来比较基于SVM分类器两种不同核下图像的分类效果。最后，设计GUI用户界面，当输入一张测试图片时，能按照
3、四种方法进行分类，并分别表示出分类的结果。关键词 : 词袋 ，Dense SIFT，SPM ，SVM分类器，GUIResearch on Image Classification MethodBased on Bag of Words ModelAbstract In recent years, with the rapid development of network technology and as the network information is becoming more and more diversified, the number of digital images is
4、in explosive growth, and its development trend takes on complexity and diversity. The traditional manual annotation classification method is inefficient, and has not been able to classify large images rapidly, thus we need a kind of intelligent automatic classification technology to classify and man
5、age images. Image classification technology does not only need the related knowledge of image processing, but also include related theories of machine vision learning. To improve the performance of scene image classification is an important research topic in the field of pattern recognition and comp
6、uter vision, and it has a wide application prospect. This paper adopts image classification method based on the Bag of Words model to research. Firstly, it uses dense scale invariant feature transform (Dense SIFT)algorithm to extract local characteristics of images. And then it uses K-means clusteri
7、ng method in the feature space, which dividing visual features into several classes and each of these clustering center is a visual vocabulary, and then count the frequency of various visual vocabulary to form the histogram vector based on visual vocabulary, and visual word package description of th
8、e scene image can be obtained. Finally, we train the SVM classifier and compare the classification effect of the SVM classifier under the two different kernel functions (RBF kernel and HI kernel). On the basis of Bag of Words model,we add the space Pyramid Matching (Spatial Pyramid Matching, SPM) mo
9、del, in combination with the SVM classifier of RBF kernel and HI kernel, we compare the image classification effect under different kernel respectively. Finally, design the GUI user interface. when the test photo is inputted, it can classify it according to the four methods, and show the classificat
10、ion results respectively. Key Words ： BOW, Dense SIFT，SPM, SVM classifier，GUI符号表BOW Bag of Words, 词袋SVM Support Vector Machine, 支持向量机RBF Radial Basis Function, 径向基函数SPM Spatial Pyramid Matching, 空间金字塔匹配DOG Difference of Gaussian, 高斯差分GUI Graphical User Interface, 图形用户界面MMI Maximization of Mutual Inf
11、ormation, 最大化共同信息BOF Bag of Features, 特征包 HI Histogram intersection, 直方图相交GUI Graphical User Interfaces, 图形用户界面 卷积符号 Dense SIFT Dense Scale Invariant Feature Transform, 密度 尺度不变特征变换目录1 绪论11.1 课题研究的背景和意义11.1.1课题研究的背景11.1.2课题研究的意义21.2 图像分类的国内外研究现状31.3 主要研究内容41.4 本章小结42 词袋基本模型的图像分类52.1 词袋基本模型的图像分类流程52.2
12、 Dense SIFT特征提取算法62.3 K-means聚类算法102.4 构建视觉词袋112.5 SVM分类器122.5.1 SVM分类算法122.5.2 Libsvm工具箱简介132.6 本章小结143 基于词袋的空间金字塔模型153.1 基于词袋的空间金字塔模型的分类流程153.2 空间金字塔匹配算法163.3 本章小结184 实验结果与分析194.1 词袋基本模型的实验结果与分析194.2 基于词袋的空间金字塔模型的实验结果与分析234.3 实验结果综合分析264.4 GUI图形用户界面的测试结果与分析284.4.1 GUI图形用户界面的设计284.4.2 GUI图形用户界面的测试结
13、果与分析294.5 本章小结355 总结36参考文献37致谢39 1 绪论1.1 课题研究的背景和意义1.1.1课题研究的背景数字图像是一种比文字更为直观的信息表达方式，它包含丰富着的信息，如人物信息、物体信息、场景信息等，数字图像的发展已呈现复杂化和多样化的趋势，更高效并更准确的实现对数字图像的分类和检索已成为研究的热点。图像的研究主要是对其进行语义的理解与分析。传统的人工标注分类法效率低下，已不能在海量数据下对图像进行快速分类，因此需要一种智能的自动分类技术对图像进行分类与处理，即运用计算机来智能的自动分析和处理大量图像数据，因此场景图像的分类及处理也成为了计算机视觉的重要技术。场景图像分
14、类就是在这种背景下产生的。图像分类技术不仅需要图像处理的相关知识，同时也涉及机器视觉学习的相关理论。其中，特征提取、场景图像检测分割与分类是须要研究解决的主要内容。对于视觉系统而言，特征提取是图像分类的关键，它对分类的结果具有直接的影响，而衡量图像特征提取的主要标准是准确性和高效性。图像分类主要是训练和测试这两个部分。训练过程是提取图像特征并训练SVM分类器从而形成图像分类模型；测试过程则是基于已训练好的分类模型来分类测试集的图像。图像分类的过程如图1.1所示。训练集测试集特征提取取特征提取训练分类器训练好的分类器训练好的分类器预测标签Label 图1.1 图像分类的流程图1.1.2课题研究的意义图像分类技术是机器视觉的高级操作技术，它将海量的图像数据转化成人们可以理解的类别信息，提高图像分类的性能是模式识别和计算机视觉范畴需要研究的重要课题，十分具有应用前景。图像理解的语义内容中，图像的类别（如：天空、森林、动物、电脑、建筑）提供了图像的上下文环境，在包括图像检索、医学领域、机器人视觉领域、视频检索领域、数字化图书馆、遥感卫星、公安司法机关领域等很多领域中都有重要的应用。图像检
