基于区域统计特性的场景分类方法研究-信号与信息处理专业论文.docxVIP

万方数据 万方数据 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取 得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技 大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志 对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 签名： 日期： 年 月 日 论 文 使 用 授 权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规 定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论 文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内 容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、 汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 万方数据 万方数据 摘要 摘 要 随着信息化技术的高速发展，图像数据也井喷式的涌来，基于内容图像的检 索变得越来越重要，计算机视觉作为一门新兴的而具有旺盛发展力的技术应时而 生，计算机视觉的本质是通过计算机等相关设备实现再生物感知信息的一种模拟， 使用计算机来代替人的大脑进行数据处理和显示。场景理解作为计算机视觉的关 键技术，从像素点二维阵列中，得到高层语义解释，达到人工智能的效果，场景 理解技术逐渐进来研究的难点和热点。本文对现有的经典的场景理解的算法进行 分析、研究和实现，同时结合图像处理和模式识别的一些相关知识，提出了一种 基于超像素的场景分类算法，在一定程度上提高了算法的性能。 本文所作的研究工作如下： 1. 详细阐述了词袋法(BOW)的原理，词袋的的特征如何提取、以及视觉单词的形 成、词典的形成，同时使用六种场景来检验词袋法的分类精度，得出分类精度 的混淆矩阵。 2. 研究实现了基于 PLSA(Probabilistic Latent Semantic Analysis)模型场景理解技 术的算法，详细分析了 PLSA 模型的原理，通过 PLSA 模型建立起文本、单词、 语义之间概率模型，通过 EM 算法来估计模型的参数，用词袋法所使用的六类 场景来测试通过 PLSA 模型训练好的分类器，同样得到分类精度的混淆矩阵。 3. 提出一种基于超像素(Superpixels)的场景理解的分类技术，在特征提取的时候 使用超像素算法来得到超像素块，每个超像素块作为一个独立的单元，通过 Gabor 滤波得到超像素块的纹理特征，然后计算超像素块的颜色特征（一阶颜 色矩）和相对位置信息，得到超像素块的特征向量，通过训练聚类得到新的视 觉单词，形成词典，然后使用本次试验的六类场景分类，得到分类精度的混淆 矩阵。 这三种方法的一个重要的区别在于，词袋法和基于 PLSA 模型的场景分类采 用的特征提取方法是经典稀疏区域特征的 SIFT 算法，而基于超像素算法的场景 理解采用的是区域统计特性的特征提取方法。 关键词：场景分类，词袋法(BOW)，概率潜在语义分析（PLSA），超像素,Gabor 滤波器 I ABSTRACT ABSTRACT With the rapid development of information technology, the image data is growing more and more, image retrieval based on image content is becoming increasingly important. Computer vision, as a kind of a new and hot research field. The main task of Computer Vision is to perceive the biological information by using the computer and related equipments. Making use of the computer to replace human brain data processing and displace. Scene classification is a key technology in computer vision. Realize artificial intelligence by inputting 2D matrix and get high-level semantic interpretation. In this paper, we select the existing classic algorithm to analysis, research and i