论文部分内容阅读
图像作为一种多媒体信息载体，凭借其直观的表达方式和低廉的传输开销，在信息的衍生和传播过程中发挥着越来越重要的作用。然而，随着拍照设备的日益普及和社交网络的迅速推广，互联网的图像规模呈现爆炸式增长的势态，如何针对存在冗余的大规模图像数据进行合理、有效的分类和管理，已经成为一个亟待解决的热点问题。图像自动分类是一种根据图像的视觉内容将其自动划分到预先定义好的不同语义类别（语义概念）的方法，它已成为计算机视觉和模式识别领域的研究热点，具有重要的研究意义和广阔的应用前景。近年来，随着互联网中图像规模的爆炸式增长，图像自动分类技术也面临着新的挑战。本文面向大规模数据集，对图像分类的特征提取和分类方法展开深入的研究，主要取得了如下研究成果: (1)一种新的基于稀疏编码的词袋特征 为提高分类性能，本文提出了一种新的基于稀疏编码的词袋特征，并通过高斯归一化将该特征与全局颜色和纹理特征进行前融合，融合后的特征作为分类特征。该特征维度较低，训练过程中内存占用少、提取速度快，同时采用GPU提取局部特征SIFT进一步提高了效率。 (2)基于高维索引的SVM-KNN图像分类方法 针对传统的SVM-KNN分类方法无法处理大规模数据的问题，本文提出了基于高维索引的SVM-KNN图像分类方法，通过对基于大词表的高维稀疏词袋特征(HSBoW)构建高维索引（倒排索引），实现了大规模数据集上K近邻的快速检索，从而大幅提高了SVM-KNN图像分类方法在大规模数据集上的分类效率。 (3)基于高维索引的SVM-KNN图像分类系统 在上述工作的基础上，本文实现了一个基于高维索引的SVM-KNN图像自动分类系统。该系统在分类性能和时间效率等方面都取得了较好的效果，在ACMMultimedia2013年200万的Yahoo!Challenge大规模数据集上分类mAP达到37.5％，每幅图像的平均分类时间（包括特征提取）仅为579毫秒。