基于支持向量机和半监督深度信念网络学习的图像分类算法研究

摘要

图像分类是计算机视觉领域的研究热点之一，随着网络资源的日益多样性，图像规模愈来愈大，内容愈来愈复杂，表现形式也愈来愈多样，图像的复杂化使得图像分类技术面临着巨大的挑战。本文综合目前图像分类的相关算法，概括出现存算法的不足之处并给出相应的对应方法。针对小规模图像分类技术的单一性与局限性、现存的大规模图像分类精度低的问题，分别给出了不同的解决方案并进行了详细的阐述。
　　本研究提出了基于Daubechies小波的快速 PCA和SVM（DW-FPSVM）的图像分类算法。先对图像进行一次二维 Daubechies小波分解并提取人脸特征，接着利用快速 PCA对特征降维去噪处理，最后建立支持向量机模型对处理好的特征进行分类。本文以ORL人脸图像库作为输入展开实验，得出：图像分类的准确率随支持向量机核参数?的增大而减小且 DW-FPSVM算法能够有效的提高图像分类的准确性和稳固性。除此之外，还从训练时间和分类时间将 DW-FPSVM与其它算法的相关时间做了比较，证明了该算法的高效性。针对浅层次大规模图像分类的低精度问题，提出深层次特征学习的Adaboost图像分类算法（AICDFL）。首先以DBN作为弱分类器对样本图像进行学习，根据每次训练得到的错误率以及各样本的分类准确性调整权值；然后使用BP算子回溯再次整体调整体样本权值并输出调整后的每个分类器的错误率，最后将所有弱分类器集成强分类器，输出最终结果。使用MNIST和ETH-80两种数据集进行实验仿真，并将分类结果与其他算法的分类结果进行比较。结果表明AICDFL算法最优，有效实现高精度的大规模图像分类，更具应用优势。

目录

声明

第一章 绪 论

1.1 选题背景及研究意义

1.2 研究现状分析

1.3 研究内容

1.4 组织结构

第二章 图像分类概述

2.1几种常见的特征提取方法

2.2 图像的分类

2.3 本章小结

第三章 基于Daubechies小波的快速PCA和SVM的分类算法

3.1 特征提取

3.2 降维处理

3.3 分类模型的建立

3.4 DW-FPSVM算法流程

3.6 实验结果及分析

3.7 本章小结

第四章 深层次特征学习的Adaboost图像分类算法

4.1 引言

4.2 算法理论

4.3 AICDFL算法流程

4.4 实验数据集及参数设置

4.5 实验结果与分析

4.6 本章小结

第五章 总结与展望

5.1 本文总结

5.2 未来展望

参考文献

致谢

攻读学位期间的研究成果