2025《基于特征融合的印刷体图像中关键字检索实验探究》5100字.docxVIP

PAGE37

PAGE37

PAGE

PAGE37

基于特征融合的印刷体图像中关键字检索实验探究

目录

TOC\o1-3\h\u16441基于特征融合的印刷体图像中关键字检索实验探究 1

255131.1特征融合原理 1

275631.2特征融合算法 2

216001.2.1基于贝叶斯理论的特征融合算法 3

207411.2.2基于稀疏表示理论的特征融合算法 3

194511.2.3基于深度学习理论的特征融合算法 3

22631.3基于特征融合的印刷体图像中关键字检索 5

19721.4实验结果分析与总结 7

在计算机视觉领域中图像分类是最基本的问题。传统的图像分类方法，在一定程度上被解决。如用于特征提取的支持向量机、人工神经网络、近邻法等，用于分类的分类器训练，最后输出分类结果[54]。传统的用于图像分类特征，是人工选择的特征，提取输入图像的人工选择特征，例如颜色特征、像素特征、SIFT特征、纹理特征、GIST特征等，这些特征的共性是，存在于类内方差较小而类间方差较大的图像。因为一种特征只对图像部分特征较为明显，例如提取的是颜色特征，那该特征只能对颜色较为敏感，而对于纹理、像素等特征不敏感。所以，当两类图像的差异在某种特征敏感特性上的差异不大时，基于单一特征训练的分类器就无法输出正确的分类。除此之外，图像中背景的噪声也会影响特征提取，分类器的分类的训练，降低图像分类的准确率。

在传统图像分类方法中，使用传统的特征融合方法解决单一特征的局限性问题，同时用多种融合特征进行分类器训练，实现特征互补，降低单一特征固有缺陷的影响。

1.1特征融合原理

其实，人们认知的过程就是信息融合的过程，通过视觉、听觉、触觉等多重感官接受各种各样的信息，再将这些信息通过传感器传入大脑皮层进行综合处理，这就是人们的认知过程。信息融合理论是特征融合的基础理论。信息融合是对多源异构数据进行综合处理，从而达到联合决策的目的[55]。在计算机领域中，由于多源数据的结构和含义不同，在数据处理时不能一概而论，必须经过融合算法处理。在图像分类领域，使用特征融合方法解决图像分类问题，就是信息融合的思想。其内容是使用融合算法融合图像的多个特征（颜色、纹理、像素、SURF、HOG等），以便实现更智能的视觉图像领域问题。

随着计算机硬件GPU、CPU的发展、软件研究技术的推进，社会发展的越来越多元化，使得计算机处理的融合信息更加多样，如何在大规模分布式计算、并行计算的环境下，通过信息数据融合使得分类器级推进到了特征级和数据级的层面。

图像分类问题的解决过程一般包括数据获取、预处理、特征提取、分类器设计与训练和分类决策等步骤，如图1.1所示，信息融合的3个层次恰好可以与这个过程对应。下图分别从三个方面进行特征融合，首先可以在数据上进行融合，其次是在提取特征时，对特征进行融合。最后在设计分类器时，可以对分类其进行融合。

特征融合保留了必要的、显著的信息，既降低原始数据的冗余性，减少数据噪声，又比分类器决策结果又更充分的数据信息，数据量和数据维度适中，因此在这个层次上进行融合是目前最优的选择。

1.1融合层次与图像分类

1.2特征融合算法

在图像分类领域对特征融合方法的研究包括基于贝叶斯理论的特征融合、基于稀疏表示理论的特征融合算法等[54]。近年来，随着深度学习理论的发展，基于深度学习理论的特征融合算法也逐渐成为研究热点。前两者是在提取多特征的基础上提出融合算法，重点在于对多特征进行综合处理得到特征融合；后者是将融合的思想引入深度学习理论中，在深度神经网络模型中加入融合过程，从而对网络模型进行优化。

1.2.1基于贝叶斯理论的特征融合算法

基于贝叶斯理论的特征融合算法是在分类器融合算法的基础上发展起来的[54]。贝叶斯决策理论是一种经典的图像分类方法，已知模型空间Ω包含C种图像类，记为Ω=(,…),未知样本X由N维实数特征组成，记为X=。根据最小错误率的贝叶斯决策理论，若将样本X分为第j类，则该样本就是在已知样本X条件下后验概率最大的模式类，这个决策过程表示为公式1.1：

If(1.1)

其中，表示第K类后的后验概率，K∈[1,C]。

1.2.2基于稀疏表示理论的特征融合算法

稀疏表示理论是信号处理领域的一种基础理论，它的基本思想是使用数据稀疏性这一先验知识，从一个超完备字典中找尽可能少的原子对目标信号进行线性表示[57]。稀疏表示问题可以表示为，对于向量b∈和矩阵A∈，使得Ax=b,即公式1.2的优化问题。其中X是一个稀疏向量，且m远小于n，优化目标X的范数，通常为了求解方便