图像分类方法对比评价研究

摘要

现有的图像分类方法种类繁多,但一直缺少关于图像分类方法评价的相关研究,为此选用不同数据集对具有代表性的图像分类方法进行评价分析。待评价的图像分类方法包括主动学习(HOG-SVM、Squeeze Net和Simple Net)和惰性学习(KNN和OTSU-KNN)两类。结果显示:(1)主动学习相比惰性学习分类精度更高,且在纹理特征较为复杂的图像分类中泛化能力更好。在时间效率方面,主动学习的运行时间要明显短于惰性学习,且前者对数据规模的依赖度远低于后者。(2)对两种分类方法而言,图像的纹理特征复杂度、清晰度以及图像数量都会对分类精度产生影响。此外,参数化方案对分类精度也具有显著影响。