融合混合优化组合的大规模场景图像分类算法

摘要

图像获取设备的普及和网络技术的发展导致数字图像迅速增长,面对海量图像,传统的单节点架构的分类算法性能急剧下降.针对上述问题,以场景图像为研究对象,提出了一种集群环境下的融合混合优化和组合技术的大规模图像分类方法.将ABC算法和PSO算法优化后的SVM作为弱分类器,由Adaboost算法组合弱分类器输出构建强分类器;利用Hadoop平台下的MapReduce并行编程模型对算法进行并行化设计,提出P-Adaboost-(ABC-PSO-SVM)算法,构造了大规模场景图像的自动分类模型.多组对比实验表明,相对于传统的单机平台下的分类算法,当图像数量达到50000时,该算法在SUN Database场景图像库上的平均分类准确率达87.6％,训练耗时仅为98 s.实验结果充分说明,该算法适合大规模场景图像的自动分类预测.