党宏社，白 梅，张 娜

(陕西科技大学 电气与信息工程学院，陕西 西安 710021)

基于ReliefF特征加权和KNN的自然图像分类方法

党宏社，白 梅，张 娜

(陕西科技大学 电气与信息工程学院，陕西 西安 710021)

为了对自然图像有效准确地分类，提出了一种对图像低层特征和KNN分类算法中的近邻样本分别进行加权的分类方法。针对不同类别图像的视觉特征的差异，通过ReliefF算法计算训练集中每个类别的特征权值，利用此权值来改进待测图像与训练集中图像的距离度量；按照不同近邻到待测样本的距离远近，为不同近邻赋予权值来改进KNN算法在类别决策上的不足。实验结果表明该方法较传统KNN和特征加权KNN方法，准确性提高且对不同K值具有良好的鲁棒性。

自然图像；ReliefF；特征加权；KNN；距离加权

随着互联网技术的快速发展，人们每天获取的图像资源也在快速增长。据不完全统计Facebook网站每天新增3亿张图像，互联网如何快速地对海量的图像资源进行处理是迫切需要解决的问题，对图像进行有效分类是其中重要的一步。

基于图像内容的分类方法通过提取图像所包含的视觉信息从而建立不同特征与图像类别之间的关系实现分类。通过提取图像的显著图表征图像特征信息，利用视觉注意机制，选择显著目标[1]进而实现分类，这种方法符合人类的生物认知能力，但是过度依赖前景目标的检测[2]。文献[3-4]使用图像低层的混合特征，即认为每个特征对于分类的权重是相同的。在进行实际分类的样本中，有的特征对某个类别的贡献可能大于对另一个类别的贡献，因此，在对这样的样本进行分类时，可根据不同样本对不同类别的贡献程度的大小，给图像不同特征赋予不同的权重。……