论文部分内容阅读
面对爆炸性增长的图像,如何利用图像特征进行有效的分类和标注,是图像分类的一个热点。为了让用户高效地从海量数据中寻找图像,对图像进行有效的分类和标注显得极其重要。图像分类常常充分发掘图像的底层特征,并选择有效地表达图像的特征而进行分类。为了提高基于内容的图像分类技术的分类性能,本文将利用颜色、纹理、形状以及空间信息等特征做出研究,并对LBP算子、分块方法等方面进行了改进,具体改进如下：(1)提出了基于HSV分块加权的分类算法。虽然当前一些分块加权算法能够在一定程度上提高分类性能,但是有的分块方法比较复杂或权值设置不合理,因而本文先将图像区域按兴趣程度划分为三块：图像中心区域是兴趣焦点,先将图像中心以圆形区域划分,并赋予极大的权值；其次,在圆形区域外部再设置一个椭圆区域并赋予较大的权值,以保证这些信息的次重要性；剩下区域一般为边缘区域,且在图像中的重要性相对较弱,因而赋予较小的权值。(2)提出了改进的LBP算子。虽然传统LBP描述子或一些改进的LBP描述子具有一定的抗噪性能,但是融入大量噪声后,其抗噪能力急剧下降。为了克服这一缺陷,本文提出一种改进的LBP算子：在确定阈值时,将原来的3x3区域扩大到5×5区域,扩大范围后有利于减少噪声对均值的影响。实验表明,改进后的LBP算子的抗噪性能获得较大的提升。(3)提出融合多个特征的分类算法。虽然单特征在分类的平均准确率上性能不错,但具体到各个类别的图像,其分类性能优劣不一。因而本文将基于HSV分块加权、改进的LBP算子和GLCM等多个特征予以结合,同时针对提取的HSV、LBP的维数偏高问题,先分别HSV、LBP进行PCA降维处理后得到低维特征向量,同时对GLCM在4个方向上提取4个不相关特征,然后将HSV、LBP和GLCM进行组合。实验表明：融合多特征分类方法能够获得较好的分类性能。