基于相容粒度空间模型的自适应图像语义分类方法

针对图像底层特征和高层语义之间存在的语义鸿沟问题，运用相容粒度空间模型对图像语义分类进行了研究，提出一种自适应的图像语义分类方法，为解决此问题探索出了一种有效途径。该方法将图像集建模为基于原始特征的相容粒度空间；在此空间中，通过引入相容参数和构造距离函数来定义相容关系，从而通过调整相容参数可有效控制对象邻域粒的大小，最终可直接处理图像的实数型特征而无需进行离散化等预处理；此外，通过引入相容度的方法实现对相容参数的自适应优化，从而自动调整邻域粒的大小，使得构造的分类器几乎不需要手工设置参数即可自动适应于各种不同类型的图像集，并获得比同类算法更好的分类准确率。实验结果验证了这种方法的有效性和可行性。

图像语义分类的树结构SVM方法

为了减小低层视觉特征和高层语义之间存在的"语义鸿沟",提出一种采用树结构支持向量机实现图像底层视觉特征到高层语义的映射方法。利用二叉树结构构建支持向量机(SVM),在SVM核函数空间利用距离作为树节点处的分类度量。二叉树的结构可以大大减小语义分类的时间,而将距离较大的语义类先分离开保证了语义分类具有较高的准确率。实验证明,该方法在保证准确率的同时可以在较大程度上缩短分类检索时间。

基于线条方向直方图的图像情感语义分类

图像语义分类在基于语义的图像检索中具有重要意义,但是图像的情感语义描述和分类方面的研究在近年来才刚刚起步。该文利用图像的低层特征实现了图像高层情感语义(“静感”和“动感”)的分类。图像的线条与情感之间存在明显的联系,选用线条方向直方图作为图像特征,利用概率神经网络(PNN)完成语义分类,实验表明该方法具有较好的效果。

一种基于语义的图像数据库分类系统

实现了一种分等级的图像数据库自动语义分类系统,其中主要涉及白天、夜晚、日出/日落、室内、室外、建筑物以及风景等几个典型的语义信息。通过对图像的信息以及现有底层特征的分析,针对各级分类提取了一些判别能力好的特征。采用支持向量机(SVM)作为分类器;同时为了提高分类准确率,将支持向量机的输出改为概率形式,引入拒绝机制来拒绝一些置信度较低的样本。将Google检索出来的图像作为系统的测试样本取得了很好的分类结果,实验表明本系统可以对Google检索系统的结果进行一定的改进。

基于DCT域特征和Bayes语义分类的教学图像资源库检索技术

提出了一种根据DCT域特征提取和Bayes语义分类结合的图像检索技术。针对图像库数据结构的语义需求,采用朴素Bayes算法对图像库进行分类;其中视觉特征提取部分,采用改进的DCT域的边缘空间分布概率特征提取方法,获取目标对象边缘信息,建立20个特征值;通过Bayes分类器的分类,获取每类的索引特征向量,用于初次语义类别过滤,提高了检索效率。通过实验,建立教学需要的图像资源库,与其它检索算法进行查准率对比试验,证明了本算法的优越性。

融合LDA和多类SVM的图像语义映射研究

建立图像低层特征到高层语义的映射是图像语义检索的关键问题之一,SVM是其中行之有效的方法。为了便于规则生成,将模糊C均值聚类SVM多类分类方法应用于图像语义映射。但由于异类图像特征常常混杂,最终形成的二叉树分支一般很多,映射准确率下降明显。为此,将线性判别分析法引入二叉树建树过程中,通过聚类之前先对特征优化处理来改进算法性能。实验结果表明该方法建立起了更便于理解的分类树结构且LDA的引入使得映射准确率有所提高,满足了图像语义映射的要求。

基于改进的OCC情感模型的自然风景图像分类研究

网络技术的发展和图像获取设备的普及导致数字图像迅速增长,依靠先进的技术提取图像蕴含的情感语义实现图像情感语义分类正是当前各行业急需解决的问题。为此提出一种基于改进的OCC情感模型的自然风景图像情感语义分类方法。通过融入性格、心情因素描述图像的个性情感,使用BP神经网络实现,解决图像分类中的语义理解问题。使用百度图片频道上下载的600张场景图像进行训练和测试,实验通过与人工计算结果相比较,取得了良好的分类效果,可为更多类型的图像情感语义分类打好基础,具有一定的实用价值。