基于Adaboost-DBN的图像分类算法研究.pdf

摘要 摘 要 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 分类算法，算法的输入为纹 理特征和颜色特征的串联。此外，本文对传统的Adaboost 算法的结构进行改进，并重新 设置了样本权重更新公式和强分类器输出公式，提出了二输入Adaboost-DBN 分类算法。 将纹理特征和颜色特征按并行输入到算法中进行训练，通过两种特征输出结果之间的相 互反馈调整错误分类的样本，提高算法的学习能力。在Corel-1K 数据集进行仿真实验， 本文提出的两种集成算法分类精度达到84%和85.2%。本文算法与其他算法的分类结果 进行比较，实验表明本文提出的算法更优。 Adaboost DBN 关键词 图像分类；局部邻域增强模式；颜色矢量角； ； - -I 哈尔滨商业大学硕士学位论文 Abstract Image classification asan importantbranch ofcomputer vision,hasbeen generallyused in many life scenes. Because the Internet develop rapidly, network data is becoming more diversified, and the complexity of image content and scale makes image classification technology facing huge challenges. Therefore, how to efficiently extract image features and design a reasonable classifier to improve classification accuracy has become a hot research topicinthefieldofimageclassification. The work for image classification in this thesis is as follows.A texture feature descriptor based on multi-resolution LNIP and a color feature descriptor based on local oppugnant color vector angle pattern are proposed. In texture feature extraction, firstly, the image is wavelet decomposed to obtain the multi-scale information of the image,