基于优化视觉词袋模型的图像分类方法

• 作者: 张永 杨浩
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 图像分类 视觉词袋模型 特征提取 视觉词典
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 人工智能
• 页码范围: 2244-2247,2252
• 页数: 5页
• 分类号: TP181
• 字数: 5360字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.08.2244

摘要

针对视觉词袋(BOV)模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似(W-MR-MS)视觉词典优化准则.首先,提取图像的尺度不变特征转换(SIFT)特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的.实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30％;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18％,因此,所提方法具有较高的分类效率,适用于图像分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张永	兰州理工大学计算机与通信学院	55	314	10.0	14.0
2	杨浩	兰州理工大学计算机与通信学院	8	25	3.0	5.0