结合均值漂移基于图半监督图像分类.docVIP

结合均值漂移基于图半监督图像分类 　　摘要： 　　针对基于图的半监督流形正则化图像分类算法需要大量无标记样本训练分类器，空间和时间复杂度高，甚至不能处理大规模图像，且对背景或目标复杂的图像分类错误率较高的问题，提出了结合均值漂移（mean shift）的基于图的半监督流形正则化图像分类算法。该方法对基于图的半监督流形正则化分类算法的改进主要体现在两方面，首先是通过mean shift算法对图像进行了平滑，以平滑后的图像作为分类对象；其次不是利用所有无标记样本，而是只采用少量无标记样本。实验结果表明：图像的平滑使得目标和背景区域的特征更为一致，从而利用较少的样本就可以提高分类器的正确率；同时大大降低了算法的复杂度，使得基于图的半监督分类算法用于分类大规模图像成为可能。 　　关键词： 基于图；半监督；流形正则化；均值漂移；图像分类 　　中图分类号：TP391.41 　　文献标志码：A 　　0引言 　　在解决模式识别和机器学习的分类问题中，半监督学习受到关注。半监督学习[1]旨在运用少量标记样本和大量未标记样本建立分类器，通过利用隐含于未标记样本中的关于数据分布的更多信息来提高分类器性能。 　　基于图的半监督图像分类技术是近年来图像分类领域的一个新的研究热点，已有很多基于图的半监督图像分类的方法[1-6]并且在一些图像上取得了好的分类效果。该类方法建立在图论基础上[7-15]，将图像映射为无向加权图，在此图上构造目标函数f来实现分类，目前已提出很多方法[6-7，9-11]，这些方法的差异体现在构造f的不同。在对图像分类过程中，这些算法需要较多的样本才能训练得到准确率较高的分类器，较多训练样本使算法的时间复杂度和空间复杂度随之增加，甚至内存溢出。本文在以下方面做出改进以解决上述问题，利用mean shift算法[16]平滑原始图像，再运用基于图的半监督流形正则化算法对平滑后图像进行分类。因为平滑后的图像特征多样性降低，在训练时只随机选择50个已标记样本和100个未标记样本训练分类器，这样算法时间复杂度和空间复杂度都降低了。平滑后的图像去除了相邻相似特征区域中的跳跃点和噪声，而且mean shift平滑算法可以很好地保留边缘，因此在训练样本很少的情况下提高了分类正确率。实验结果验证了所提方法的有效性和高效性，适于解决大规模复杂图像的分类问题。 　　4实验结果及分析 　　程序在Matlab2010b环境中编写，在内存为1GB，CPU为Intel Core 6320，频率为1.86GHz的机器上运行。实验用图都是从Weizmann horse dataset[18]中选择的。图2（a）马5为加噪声密度为0.05的椒盐噪声，并且Weizmann horse dataset已经给出了理想的分类效果图，可以用来评价分类结果。本文采用像素分类正确率（Pixel Classification Rate， PCR）评价分类效果。 　　5结语 　　本文将mean shift算法和半监督流形正则化方法结合起来实现图像分类。该方法首先通过mean shift算法平滑图像，使图像呈现区域状，区域内部特征一致，然后以平滑后的图像为初始图像，仅用少量标记样本和无标记样本训练分类器，再采用基于图的流形正则化算法求解。实验结果显示，本文算法的分类正确率比LapRLS算法高，并且降低了算法复杂度。今后的研究将考虑选择对分类能提供更多有用信息的未标记样本，如位于目标边界上的未标记样本，以期基于较少的无标记样本得到有效且高效的半监督分类方法。 　　参考文献： 　　[1]ZHU X J. Semisupervised learning literature survey [EB/OL]..http：///～jerryzhu/pub/ssl_survey.pdf. 　　[2]BLUM A， CHAWLA S. Learning from labeled and unlabeled data using graph mincuts[C]// Proceedings of the Eighteenth International Conference on Machine Learning. New York： ACM Press， 2001：19-26. 　　[3]SZUMMER M， JAALLOLA T. Partially labeled classification with Markov random walks[C]// Proceedings of Advances in Neural Information Processing Systems. Cambridge： MIT Press， 2002： 945-