[发明专利]一种基于改进词袋模型的图像分类方法

摘要

本发明公开了一种基于改进词袋模型的图像分类方法。它包括如下步骤：S1：提取高鉴别力SIFT特征点；步骤S2：提取高鉴别力SIFT特征点对；S3：构建视觉词典；S4：图像分类；该方法提出一种基于最小生成树的构建视觉词组算法，该方法对各训练图像的所有高鉴别力SIFT特征构建最小生成树，并在此基础上构建SIFT特征点对，然后进行K‑means聚类，从而得到含有空间信息的视觉词组，利用上述方法构建的视觉单词和视觉词组一起构建视觉直方图，并通过SVM完成图像分类。本发明的有益效果是：降低了计算复杂度，保留了局部特征间的空间信息，提高了图像的分类准确率，减少了分类时间，可广泛应用于图像检索、对象追踪、场景分类和行为识别等领域。

主权项

一种基于改进词袋模型的图像分类方法，其特征是，包括如下步骤：S1：提取高鉴别力SIFT特征点；其包括如下步骤：S11：提取所有训练图像的SIFT特征点；S12：计算SIFT特征点的鉴别力，得到高鉴别力SIFT特征点；S2：提取高鉴别力SIFT特征点对；其包括如下步骤：S21：利用Prim算法对高鉴别力SIFT特征点构造最小生成树；S22：对最小生成树中的SIFT特征点对进行筛选，得到高鉴别力SIFT特征点对；S3：构建视觉词典；其包括如下步骤：S31：对高鉴别力SIFT特征点进行K均值聚类，得到视觉单词；S32：对高鉴别力SIFT特征点对进行K均值聚类，得到视觉词组；S4：图像分类；其包括如下步骤：S41：计算每幅训练图像的视觉单词直方图；S42：计算每幅训练图像的视觉词组直方图；S43：合并每幅训练图像的视觉单词直方图和视觉词组直方图，得到联合直方图；S44：将所有训练图像的联合直方图输入到SVM，得到SVM模型；S45：计算待分类图像的视觉单词直方图；S46：计算待分类图像的视觉词组直方图；S47：合并待分类图像的视觉单词直方图和视觉词组直方图，得到联合直方图；S48：将待分类图像的联合直方图输入到SVM模型，输出分类结果。