面向领域的多阶段融合图像分类方法研究

摘要

图像检索技术涉及多项应用领域，除通用的图像检索系统之外，越来越多特定领域的图像检索系统正在涌现，如Yottalook医学图像检索系统等。图像分类是图像检索系统中最为基础性的工作之一，因此面向领域的图像分类技术具有广阔的应用前景，特别是文档图像和医学图像领域。因此，本文的研究工作具有很好的应用前景和较好的理论意义。
　　由于图像的复杂性、类别之间的干扰、类别的多样性等因素，特定领域的图像分类问题仍然是一个充满挑战的问题。本文针对文档图像和医学图像分类存在的问题展开研究，主要工作以及创新点如下:
　　1、归纳总结现有方法。查阅大量文献，对当前图像分类方法进行全面的归纳和总结，介绍了常用方法的基本思想和原理，分析比较了各方法的优缺点;并且详细分析文档图像和医学图像领域的图像分类方法。
　　2、针对目前文档分类方法依赖于图像分割以及OCR等预处理的问题，本文提出了一种简单但有效的图像分类方法。采用结构化局部边缘模式(SLEP:StructuredLocalEdgePattern)作为图像特征，利用支持向量机SVM作为分类器实现文档图像分类。为了验证本文方法的有效性，创建了文档图像数据库。实验结果表明，基于SLEP特征的方法，避免了复杂的预处理，实验结果在准确率、召回率等方面都明显优于所对比方法，并且即使在文档图像低分辨率的情况下，所分类结果仍然有不错表现。
　　3、提出一种多阶段融合的方法对医学图像分类。采用ImageCLEF2012医学图像分类比赛作为实验数据集，构建多阶段特征融合的图像分类器。为每类特征构建相应的图像分类器，然后对分类结果进行融合，最终实现图像分类。实验结果表明，所提出的多阶段融合的方法可以更全面地描述医学图像的特性，进一步提升了图像分类准确率，同时本文的分类结果也排于ImageCLEF2012医学图像分类比赛结果的前列。
　　总之，本文面向文档图像领域和医学图像领域，由浅入深，从图像特征提取和分类过程两个核心问题入手，首先建立了一个文档图像数据库，然后将SLEP特征应用到文档图像分类之中，最后针对医学图像的复杂性，在之前研究工作的基础上，提出了一种多阶段融合的方法。文档图像分类方面，SLEP特征实现了非常高的准确率;医学图像分类方面，多阶段融合特征则更好地解决医学图像分类问题，相较于其他方法有明显的改进。

目录

声明

摘要

第一章 绪论

1．1 选题的背景与意义

1．2 研究现状及存在的问题

1．2．1 图像分类问题描述

1．2．2 研究现状

1．2．3 面向领域的图像分类

1．3 本文主要研究工作

1．4 本文组织结构

1．5 本章小结

第二章 图像分类的常用特征模型及分类算法

2．1 图像特征概述

2．1．1 梯度直方图

2．1．2 尺度不变特征转换

2．1．3 局部二值模式

2．1．4 局部边缘模式

2．1．5 空间金字塔模型

2．1．6 图像熵

2．1．7 HSV颜色空间

2．2 图像分类算法概述

2．2．1 K均值算法

2．2．2 决策树分类

2．2．3 神经网络分类

2．2．4 SVM分类

2．2．5 词袋模型分类

2．3 本章小结

第三章 基于结构化局部边缘模式的文档图像分类算法

3．1 文档图像分类问题研究现状

3．2 基于结构化局部边缘模式的文档图像分类

3．3 文档图像分类特征提取

3．3．1 SLEP特征提取

3．3．2 HOG特征提取

3．3．3 对比融合特征提取

3．4 文档图像分类模型

3．4．1 分类框架图

3．4．2 实验数据集的构建

3．4．3 性能评估

3．4．4 交叉验证

3．5 实验分析

3．5．1 实验总体表现

3．5．2 不同分辨率下分类结果分析

3．5．3 分类成功与失败的例子

3．6 本章小结

第四章 基于多阶段融合的医学图像分类算法

4．1 医学图像分类研究现状

4．2 基于多阶段融合的医学图像分类方法

4．2．1 多阶段融合方法的实现过程

4．2．2 多阶段融合方法融合的图像特征

4．2．3 多阶段融合方法分类模型

4．2．4 多阶段融合方法分类过程

4．3 基于多阶段融合的医学图像分类实验及分析

4．3．1 ImageCLEF2012实验数据集

4．3．2 评价方法

4．3．3 特征融合阶段分类结果对比

4．3．4 分类结果融合阶段实验结果对比

4．4 本章小结

第五章 总结与展望

5．1 回顾与总结

5．2 未来研究工作期望

参考文献

致谢

附录 攻读硕士学位期间发表的论文