基于語義的圖像分類研究.pdf_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著計算機技術、通信技術和多媒體技術的飛速發(fā)展,數(shù)字圖像廣泛應用到社會生活的方方面面,數(shù)字圖像的分類和檢索技術也隨之發(fā)展。傳統(tǒng)的基于文本關鍵詞的數(shù)字圖像分類和檢索技術,由于其低效率和非標準化等缺點已經不能滿足人們的需要;基于內容的圖像分類和檢索技術,從底層視覺特征度量圖像的相似性,實現(xiàn)對圖像的理解。然而,圖像的底層視覺特征與人對圖像的理解之間存在巨大的差異,基于內容的圖像分類和檢索并未溝通圖像的底層視覺特征與高層語義,跨越“語義鴻溝”;

2、基于語義的圖像分類和檢索技術正成為研究的熱點。 論文首先介紹了圖像語義的層次模型和圖像語義提取的幾種方法,重點介紹了基于機器學習的圖像語義提取方法。在底層特征上,提取了顏色、紋理和形狀三類特征。特征選擇可以加速數(shù)據(jù)挖掘,提高數(shù)據(jù)挖掘的性能和效率,論文對一種改進的順序前向浮動搜索特征選擇算法進行了研究,以底層特征數(shù)據(jù)為基礎實驗對比了順序前向搜索、順序前向浮動搜索和改進的順序前向浮動搜索三種算法的時間效率和選擇結果。 支持向

3、量機是基于統(tǒng)計學習理論的新型機器學習方法,它能在小樣本下得到很好的分類效果并具有較好的泛化能力。論文選擇支持向量機作為圖像語義的分類器,研究了不同特征子集下支持向量機的分類性能,實驗結果證實了特征選擇的有效性?;诮Y構風險最小化原理的支持向量機不會產生傳統(tǒng)方法中的過學習和局部最小等問題,基于支持向量機的增量學習具有重要的應用價值。論文對比了支持向量集加錯分樣本和歷史訓練數(shù)據(jù)加錯分樣本兩種增量SVM學習算法。實驗證明后者的分類準確性和穩(wěn)定

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論