论文部分内容阅读
由于计算机各方面性能的快速增强，数字化的图像和视频信息有了爆炸的增长。作为基于内容的图像检索(CBIR)的重要应用，图像分类帮助用户从大数据库中检索出自己感兴趣的图像。在CBIR系统中，图像通常是用高维视觉信息表示的。本文对基于鉴别特征分析的图像分类进行了研究。主要内容如下：
⑴基于线性鉴别分析的图像分类方法。以具有普通语义概念的图像为研究对象，提出了基于线性鉴别分析算法的图像分类框架。算法的使用特征数据是由我们改进的对称不变局部二值模式(SILBP)纹理描述子提取的图像纹理特征。实验结果表明，算法对最优鉴别特征的提取是非常有效的。
⑵基于径向基函数的LDA算法的图像分类方法。提出了将以高斯核函数为代表的径向基函数来转换图像特征空间，使得原始特征数据在非线性情况下可以被映射到新的空间中，并在新的空间中使用鉴别分析算法中。由于RBF函数对于三维以上大量散乱数据的优越性，算法的有效性在对普通语义概念的图像分类任务中得到了实验的验证。
⑶基于多项式核函数的LDA算法的图像分类方法。整数次幂多项式核函数是核直接鉴别分析(KDDA)中常用的一种核函数。多项式核技巧通过非线性映射将输入数据映射到一个高维的特征空间，然后再在这个高维空间对输入数据进行分析处理，能够有效地表述图像复杂的非线性变化。结合多项式核函数的KDDA，在使用分数次幂多项式核函数时具有比整数次更强的鲁棒性。本文作者验证了该方法在图像分类任务中的有效性。
⑷各种鉴别特征分析算法与分类器算法组合之间的比较研究。在使用最近邻，贝叶斯和SVM分类器时，使用LDA特征或Kernel LDA特征都明显拥有比使用原始特征和PCA特征更高的分类准确率。在应用贝叶斯分类器时，训练集样本数占总样本数比例大于50％的情况下，使用RBF Kernel LDA特征拥有比使用LDA特征更高的分类准确率。