一种SVM集成的图像分类方法研究

罗会兰，杜连平

(江西理工大学信息工程学院，江西 赣州 341000)

责任编辑:哈宏疆

随着现代信息技术的发展，图像已经成为了一种重要的信息载体。信息量日益增大的同时，也带来了海量的图像数据，这就对如何快速而有效地进行图像数据分类提出了新的挑战。然而，由于位置、尺度、光照及背景噪声等的影响，也在一定程度上加大了图像分类的难度。现存的基于形状的模型化模型［1-2］试图定位不同的物体局部并确定它们在空间上的关系。尽管这些方法可能表示能力强，但是这种空间约束模型无法处理或识别较大的变形，比如大的但不在一个平面内的旋转和遮挡等。近年来，一些用于图像分类的主流方法是使用独立块的集合来表示图像，这些独立块由局部视觉描述子来描述［3-5］。其中较为典型的是词袋(Bag-of-Words，BOW)模型，它来源于文本分类中的“texton”模型［6］，确定每类中特定的语素(texton)比例，而忽略它们之间的空间关系。尽管BOW模型没有显示形状模型化，学习到的模型对于形状不规则的物体或者高度结构化的物体类都是非常有效的［7］。在文献［8］中，首次将这种文本检索模型应用到视觉检索中，证实了这种模型的有效性。在检测到独立显著性区域块(或称为兴趣点)且为这些区域块计算描述子(也就是特征表示)之后，必须为训练和测试图像表示它们的分布。一种较为流行的表示显著性区域块分布的方法，也称为图像量化方法［9］，是通过对特定训练图像集的描述子进行聚类得到一个视觉词汇本。……