图像分类问题研究.pdf

图像分类问题研究 王森 余维康 张翰文 摘要 基于内容的图像分类必须从图像中提取特征信息，而图像的主要特征分为颜色特征、 纹理特征、形状特征和空间关系。本文选择颜色特征来对图像进行分类。我们采用 HSV 空 间对图像进行分类。本文首先给出HSV 颜色空间的量化，然后从2360 幅图像中选取紫花（共 16 幅）、烟花（共63 幅）、雪山（共30 幅）、水中绿塔（共8 幅）这四大类共117 幅图像， 从图像中提取L 值并用颜色直方图进行描述，观察发现图像的L 值确实可以很好地表示图像 的内容特征。之后，我们采用图像的L 值之间的欧式距离对图像间相似性进行度量，结论是 欧式距离较小的图像之间的相似性确实很大，从而说明了用图像的L 值之间的欧式距离对图 像进行分类的可行性。 然后，我们用基于类别中心的图像分类、K 均值聚类算法图像分类、基于前馈神经网络 的图像分类这三种方法分别对图像分类进行了讨论。 基于类别中心的图像分类：我们以每类图像的平均值作为各类的类别中心，然后计算每 一幅图像到四个类别中心的距离，认为距离最小的类就是该图像的类别。 K 均值聚类算法图像分类：我们选取4 个初始聚类中心，同样以欧式距离的大小作为类别判 断的标准，每进行一遍聚类,对每个类中所有样本取平均值，将得到的平均值作为这一类新 的聚类中心，重复聚类多次，直至得到稳定的聚类结果。 基于前馈神经网络的图像分类：我们首先选取已知类别的图像每类各5幅，将这20幅图 像作为学习样本，并设定目标输出。用这20幅图像对前馈神经网络进行训练，从而找到能够 接近目标输出的一组恰当的权值。然后再用所得到的前馈神经网络对其他97幅图像进行处理， 对应于每一幅图像得到一个输出结果，将该输出结果与我们预先设定的目标输出进行比对， 从而得到每一幅图像的类别。 之后，我们采用分准率、分全率和智能性等指标对上述三种图像分类方法进行了评价。 结论是K均值聚类算法图像分类方法是最优的。 最后，我们对模型做了进一步讨论，提出还可以在图像特征提取和图像特征不同区局加 权等方面做进一步优化。 目录 摘要1 一、问题重述3 二、问题分析3 三、模型假设与符号说明3 3.1 模型假设3 3.2 符号说明4 四、HSV 颜色空间5 4.1 HSV 颜色空间的选择5 4.2 颜色空间的转换5 五、用颜色直方图描述图像6 5.1 颜色空间量化6 5.2 图像样本的选取6 5.3 图像的颜色直方图表示7 5.4 结论10 六、图像间相似性的度量10 6.1 用欧式距离度量10 6.2 评价11 七、基于类别中心的图像分类11 7.1 图像的类别中心12 7.2 图像分类12 7.3 图像分类错误的分析13 八、K 均值聚类算法图像分类13 8.1 K 均值聚类算法的步骤14 8.2 计算结果及分析14 九、基于前馈神经网络的图像分类15 9.1 前馈神经网络简介15 9.2 用前馈神经网络进行图像分类的步骤15 9.3 计算结果及分析16 十、图像分类模型的评价18 10.1 图像分类模型的评价指标18 10.2 图像分类模型的评价18 十一、模型的进一步讨论19 一、问题重述 在当前互联网中，基于文本的信息检索已经发展得比较成熟，但对图像进行 检索或者说图像的匹配却依然存在较多的问题未解决。而图像检索中常常涉及到 图像特征提取、图像相似性度量或匹配、图像分类等问题。 题目所给附件中有2360幅图像，图像中的内容是一些自然场景，如花、草地、 房子等。题目要求我们基于内容对图像进行分类，也就是使得同一类的图像具有 某些共性的语义（如含有花、汽车等）。 二、问题分析 图像检索的常见方有基于文本的图像检索和基于内容的图像检索。题目中所要求的图像 分类实际上就是基于内容的图像检索的初步研究。要对图像进行基于内容的