基于主动学习的图像分类分析-软件工程专业论文.docxVIP

目录 第一章 绪论 1 1.1 研究背景与研究意义 1 1.1.1 图像分类 1 1.1.2 主动学习 2 1.2 国内外研究现状 3 1.3 本文主要研究工作及章节安排 4 第二章 图像特征 7 2.1 低层特征 7 2.1.1 颜色特征 7 2.1.2 纹理特征 7 2.1.3 形状特征 8 2.2 中层特征 8 SIFT 特征 9 Bag of Words 特征 12 2.2.3 稀疏编码 14 2.3 高层语义特征 16 2.4 本章小结 16 第三章 结合中层特征的图像分类实验 17 3.1 常用分类算法介绍 17 3.1.1 贝叶斯分类决策理论 17 3.1.2 支持向量机 18 3.1.3 Logistic 回归 21 3.1.4 近邻分类器 22 3.2 SVM 和 Logistic 回归优化算法 22 3.2.1 序贯最小化法 22 3.2.2 信任区域牛顿法 24 3.3 基于中层特征的图像分类实验 25 3.3.1 实验数据集 25 3.3.2 实验设置 26 3.3.3 实验结果 27 3.4 基于 OpenCV 的图像分类演示软件 29 3.4.1 OpenCV 简介 29 3.4.2 随机森林 29 3.4.3 软件设计流程与运行结果 30 3.5 本章小结 32 第四章 主动学习理论 33 4.1 主动学习概念 33 4.1.1 成员查询主动学习 33 4.1.2 基于流的主动学习 34 4.1.3 基于池的主动学习 34 4.2 样本评估策略 34 4.2.1 不确定性信息度量 34 4.2.2 委员会查询 35 4.2.3 期望误差减小 36 4.2.4 方差减小 37 4.3 基于样本分布信息的主动学习 38 4.3.1 基于密度加权的信息度量 39 4.3.2 批量样本选择中的多样性策略 39 4.4 本章小结 40 第五章 基于增量和主动学习的图像分类 41 5.1 基于主动学习的图像分类 41 HYPERLINK \l _TOC_250001 5.2 增量 SVM 及概率输出 42 增量 SVM 42 SVM 的概率输出 45 5.3 近邻传播聚类算法 46 HYPERLINK \l _TOC_250000 5.4 基于 AP 聚类的增量主动学习框架 47 5.4.2 类别均匀采样和 Margin 策略 47 5.4.2 基于 AP 聚类的 Multi-pool Margin 算法 49 5.5 基于主动学习的图像分类实验 51 5.5.1 实验数据集 51 5.5.2 实验结果与分析 51 5.5 本章小结 54 第六章 工作总结与展望 55 6.1 本文工作总结 55 6.2 本文存在的不足 55 6.3 未来工作展望 56 参考文献 57 致谢 63 研究成果 65 第一章绪论 PAGE 1 第一章 绪论 PAGE 1 基于主动学习 基于主动学习的图像分类研究 PAGE 10 第一章 绪论 本章介绍论文所选题目的研究背景、研究意义及研究现状，首先介绍图像分 类方面相关的研究内容，然后介绍主动学习理论及其在图像分类领域的应用研究 情况，最后给出本文所做工作及章节组织结构。 1.1 研究背景与研究意义 视觉信息在人类获取的信息中占有极其重要的地位，五彩缤纷的大千世界有 数不尽的自然美景，从古至今的艺术家创作了无数美轮美奂的画卷，这些都需要 用视觉去感知。科技发展到今天，数码成像技术与大容量存储技术已非常成熟， 数字图像成为视觉最重要的一个传播载体，人们可以用较低的成本拍摄照片或者 视频，从而使数码图像的数量呈爆炸式增长。在这种情况下，传统的通过人工标 注来管理小规模图像数据库的方法已无法满足需求，发展基于内容的图像自动分 类技术显得很有必要。 图像分类 图像分类问题属于计算机视觉领域，是一个集中了机器学习、计算机视觉和 图像处理等多个研究领域的交叉研究方向，早期的图像分类多是依靠人工加注标 签来实现，无法由计算机直接分析图像的内容，近些年来随着图像处理和机器学 习理论的发展，基于内容的图像分类技术变得可行并逐渐成为研究的热点。 图 1.1 基于内容的图像分类基本流程 图像分类的实现过程如图 1.1 所示，首先人工标注获取一定数量的训练图像， 经过特征提取获得图像的内容特征表达，然后通过训练样本学习得到分类模型， 最后利用模型对未标注的图像进行自动归类。基于内容的图像分类只需要人工标 注部分图像，通过计算机求解分类模型来对图像内容进行建模，自动分类方法既 节约了人工成本，也可保证了一定的分类精度，使得对大规模图像数据库的检索 与管理变得方便可行。 图像分类主要有以下的应用方向[1]