資源描述：
《基于概率潛在語(yǔ)義分析的圖像場(chǎng)景分類》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、天津大學(xué)碩士學(xué)位論文基于概率潛在語(yǔ)義分析的圖像場(chǎng)景分類姓名：陳紅娟申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：信號(hào)與信息處理指導(dǎo)教師：龐彥偉20090501中文摘要圖像的場(chǎng)景類別不僅包含了人們對(duì)一幅圖像的總體認(rèn)識(shí)，而且還提供了圖像中對(duì)象出現(xiàn)的上下文環(huán)境，正確的場(chǎng)景分類為圖像識(shí)別和檢索提供了基礎(chǔ)。因此圖像場(chǎng)景分類就成為當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的熱點(diǎn)問(wèn)題。跟文檔相似，圖像可以由視覺(jué)詞匯描述，這些詞匯表達(dá)了一個(gè)或多個(gè)主題，這些主題反映了圖像的場(chǎng)景。本文目的是研究合適的視覺(jué)詞匯和主題生成模型，用以實(shí)現(xiàn)圖像的場(chǎng)景分類。具體的，論文做了
2、以下的研究工作：1、通過(guò)研究不同的視覺(jué)詞匯和潛在主題數(shù)目對(duì)場(chǎng)景分類性能的影響，我們選擇基于圖像的灰度特征、顏色特征和SIFT特征生成視覺(jué)詞匯，構(gòu)建詞匯表。然后在此基礎(chǔ)上對(duì)上述算法進(jìn)行改進(jìn)，采用由彩色SIFT特征生成視覺(jué)詞匯的方法，實(shí)驗(yàn)表明，論文研究的方法，分類效果提高明顯。2、采用概率潛在語(yǔ)義分析(PLSA)模型對(duì)詞匯表進(jìn)行分析，發(fā)現(xiàn)圖像中的潛在語(yǔ)義主題。把圖像視為一篇由若干“視覺(jué)詞匯”所組成的文檔，把圖像中的物體看成該圖像文檔所包含的潛在主題，利用PLSA模型發(fā)現(xiàn)圖像中潛在語(yǔ)義主題的概率分布。3、
3、利用K一最近鄰(K-nearestNeighboursClassier，KNN)分類算法實(shí)現(xiàn)基于概率潛在語(yǔ)義分析的場(chǎng)景分類。實(shí)驗(yàn)表明，結(jié)合PLSA模型和KNN分類器的圖像場(chǎng)景分類系統(tǒng)，可獲得比其它場(chǎng)景分類方法更加理想的場(chǎng)景分類效果。關(guān)鍵詞：場(chǎng)景分類；概論潛在語(yǔ)義分析(PLsA)；KNN分類器；視覺(jué)詞匯；SIFT特征；顏色特征ABSTRACT111ecategoriesofimagescenesnotonlycontainpeople’Soverallunderstandingofallimage，b
4、utalsoprovidethecontextoftheobjectsintheimage，andthecon‘ectclassificationofthesceneisthebasisforimagerecognitionandretrieval．Therefore，ithasbecomeahottopicinthefieldofcomputervision．Asissimilartodocument，wecandescribeimagewithvisualvocabularieswhichCan
5、expressoneormoretopicsreflectingtheimagescenes．Weaimtoresearchpropervisualvocabulariesandtopic—generationmodeltoimplementtheimagesceneclassification．Concretely，theworkofthethesisisasfollows：：1．Bystudyingtheinfluencesontheperformanceofsceneclassificatio
6、nfromdifferentvisualvocabulariesandthenumberofpotentialthemes，wechoosethevisualvocabulariesgeneratedonthebaseoffeaturesofgray—scalecolorandSIFT，andbuildaglossaryofPLSAmodel．Toimprovethealgorithm，colorSIFTfeaturesareappliedtogeneratevisualwords．Experime
7、ntsresultsshowthatbetterclassificationresultsaleobtainedaftertheimprovementofmethods．2．ByanalyzingtheglossarywithPLSAmodel，wefredthelatentsemantictopicinimages，andviewaimageasadocumentmadebyanumberof”visualvocabulary”andtheobjectsintheimageasthelatentt
8、opicscontainedinthedocument．SOthattheprobabilitydistributionofthelatenttopicCanbefoundwithPLSA．3．WeusetheK-nearestneighbor(K-NearestNeighborsClassfier,referredtoasK小心nclassificationalgorithmtoimplementthesceneclassificationbasedonthepro
