二维最大熵模型在图像分类算法中的应用研究.pdfVIP

第49卷第4期 华中师范大学学报(自然科学版) V01．49No．4 JOURNALOFCENTRALCHINANORMALUNIVERSITY(Nat．Sci．) 2015年8月 Aug．2015 文章编号：1000—1190(2015)04—0507—04 二维最大熵模型在图像分类算法中的应用研究 王彦林1，金汉均孙，梅洪洋2 (1．武汉商学院信息工程系，武汉430056；2．华中师范大学计算机学院，武汉430079) 摘 要：针对图像分类中使用视觉词袋直方图进行分类时忽略图像颜色信息缺点，该文提出在一 类图像的HSI彩色空间上，通过H分量和S分量构建二维最大熵模型，并将得到的二维最大熵分 布作为该类样本的底层参考特征向量，从而将待分类的图像运用欧式准则与底层特征向量进行匹 配，最终实现图像分类算法．实验表明，该文所提分类算法比基于视觉词袋直方图分类算法具有更 高的查准率． 关键词：视觉词袋；二维最大熵；图像分类；样本直方图 中图分类号：TP391．41 文献标识码：A 伴随大数据时代的到来，数字图像数量呈指数 的H分量和S分量在整个样本空间上构建二维最 级增长，如何让计算机自动理解图像内容，尽可能 大熵模型，将最优的二维最大熵分布作为一类样本 准确理解图像所表达的含义，即图像分类技术，一 的底层特征向量，选择合适的样本容量和图像的量 直是计算机视觉、机器学习、模式识别等领域的研 化级数，进而完成图像分类工作． 究热点之一．一套完整的图像分类系统包含如下两 1二维最大熵训练模型的构建 个模块：底层特征的表达和分类器的训练．其中，底 层特征的表达又可细分为底层特征的选择和提取、 HSI彩色空间将一幅彩色图像分割成色度、饱 特征空间的聚类和相似性度量这几个步骤． 和度、亮度3个颜色分量，由于人对颜色信息相对亮 ofvisual 视觉词袋((bag words)，BOVW)直 度信息更加敏感，HSI模式对同一对象在不同光照 方图[13是常用的底层特征表达模型之一，它首先在 条件下具有很好的识别性，更加有利于图像分类系 图像上通过仿射不变检测子[2]、高斯差分检测子[3] 统准确率的提高，故选择HSI彩色空间中的H分量 等采样方式获取局部特征，每个特征对应一个视觉 和S分量作为二维最大熵训练模型基础． 词汇；然后构建码本，采用k-means[4]、高斯混合口] 7 设一幅灰度数字图像在区间[o，G)内共有L 等方法对特征进行聚类，形成相应的词频，即 个灰度级，表示为“，rl’．”，。，其直方图离散形 BOVM直方图．基于视觉词袋直方图分类算法建式定义为h(“)一，z。，走∈[o，L7～1]，其中，n是区 立在BOVM直方图基础上，训练图像分类器后完 间[o，G)上的第五级亮度，咒。表示灰度级为r。的图 成图像分类．常用的图像分类器有基于联合概率分 像中的像素数n]．这里，G的取值与图像种类有关： 布的贝叶斯分类器[6]、基于后验概率分布的SVM 分类器[7]等．采用BOVW直方图表达视觉特征的 方法进行图像分类时需指定码本长度，该长度的选 方图，得灰度级“出现的概率p(n)一型一 择直接影响分类性能，在实践中需要多次尝试才能