APP下载

一种基于图像簇多核学习模型的图像分类方法

2020-06-08嵇朋朋陈育中周刘喜

沈阳理工大学学报 2020年1期
关键词:分类数据库特征

嵇朋朋,陈育中,周刘喜

(江苏联合职业技术学院南京分院 电气工程系,南京 210019)

在人工智能领域内,自然图像分类一直是研究人员关注的焦点,具有广泛的实际应用价值,如目标物体识别、目标物体跟踪、自然图像检索以及现阶段拍照识图或购物等[1-3]。经过多年的技术创新发展,研究人员提出了大量的图像分类方法,包括特征抽取[4-5]、学习模型优化以及多核学习(Multiple Kernel Learning,MKL)模型[6-9]。MKL模型是对不同数量或类型的核函数(如SPK、PDK等)或图像特征(如外形、纹理、色彩等)进行线性或非线性联合。MKL模型在支持向量机分类器中,利用多个图像特征、核函数优化学习新的分类器。传统的MKL模型[6-7]在特征空间中处理类间距离的合理性上存在弊端,导致无法给出实用的复杂自然图像处理效果。特殊样本MKL模型[9]对每个样本图像簇训练合适的核函数权重,并通过线性方式联合合适的核函数来提高模型的识别力,但存在学习模型耗时的缺点。针对上述问题,基于图像簇MKL模型的图像分类方法,研究将给定样本图像类别中具有相似形状、纹理或颜色特征的样本图像聚类到一个图像簇中,确保图像分类的准确性,并通过实验验证学习模型的判别能力。

1 问题描述

图像簇MKL模型先通过聚类算法对图像进行预处理,并将样本图像聚类成若干个图像簇,最后对多个不同类型核函数进行线性加权联合,其权重大小受核函数的类型、样本图像的属性影响。图1为图像簇MKL模型,将来自同一类别的图像,通过预处理(聚类算法)聚类到几个不同的图像簇中。……

登录APP查看全文

猜你喜欢

分类数据库特征
分类算一算
如何表达“特征”
不忠诚的四个特征
教你一招:数的分类
数据库
数据库
数据库
数据库
线性代数的应用特征