类别相关词袋模型图像分类方法

摘要

传统词袋模型将所有不同类别训练图像特征点一起聚类,聚类点数多、模型生成慢,且忽略了不同类别图像内容上的差异.本文提出了单幅图像SIFT点去噪去冗余算法和类别相关词袋模型,该算法根据SIFT点的位置将其聚类为若干区域,区域内点数少于一定阈值的作为噪声去除;再对同一区域内的点根据其方向值均匀分为若干区间,取每个区间内特征点的平均特征作为预备特征;最后对同一类训练图像预备特征聚类生成类别相关词袋模型.在Corel1K图像库上的实验表明,提出的算法在减少词袋模型建立时间的同时提高了模型分类性能;类别相关词袋模型的分类准确率较传统词袋模型平均高约2个百分点,且时间开销仅约为传统方法的1/6.