基于深度学习的多特征图像分类方法及其应用

发布时间：2023-04-19 18:40

　　分类是数据挖掘和机器学习的重要研究任务,而其中的图像分类是图像挖掘的热门研究方向。图像分类通常由特征提取、特征表达以及分类器三个部分组成。但图像分类的性能很大程度上由提取特征的有效性决定,有效的特征可以提高图像分类的性能。在实际应用中,可以依赖于相关领域的先验知识实现特征的有效提取,但需要耗费大量的时间,而且很难有效表达图像信息。深度学习(Deep Learning,DL)的出现成功地解决了图像分析处理难的问题,也为图像分类提供了有效方法。深度卷积神经网络(Deep Convolution Neural Network,DCNN)作为一种深层神经网络模型,在图像识别、运动分析和医学诊断等众多领域都表现出良好的性能。但DCNN应用于复杂场景图像分类时,其模型性能仍然依赖于现有的网络能否准确迁移到特定图像上。为此,本文提出了基于深度学习的多特征融合图像分类方法,该方法基于DCNN和图像纹理特征,以提高对图像分类的准确性为目标,结合图像处理分类器建立了多特征融合模型,本文具体贡献和工作如下:(1)分析了 DCNN模型的特点,并以Inception网络模型作为实现DCNN的基础模型。利用图像数...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 图像分类的研究现状
        1.2.3 深度学习的研究现状
    1.3 本文研究内容
    1.4 本文组织结构安排
2 相关理论方法
    2.1 传统图像分类方法
        2.1.1 随机森林
        2.1.2 支持向量机
    2.2 神经网络方法
        2.2.1 神经网络
        2.2.2 卷积神经网络
    2.3 本章小结
3 基于DCNN的多特征融合图像分类模型
    3.1 基于DCNN迁移学习的图像分类模型
        3.1.1 深度卷积神经网络(DCNN)
        3.1.2 DCNN的训练
        3.1.3 DCNN迁移学习模型网络结构
    3.2 基于XGBoost的图像分类模型
        3.2.1 支持向量机分类模型
        3.2.2 XGBoost分类模型
    3.3 多特征融合图像分类模型
        3.3.1 灰度共生矩阵(GLCM)
        3.3.2 方向梯度直方图
        3.3.3 基于纹理特征的图像分类模型
        3.3.4 多特征融合图像分类模型的设计
    3.4 本章小结
4 多特征融合图像分类模型的应用
    4.1 数据来源与预处理
        4.1.1 图像数据来源
        4.1.2 图像预处理
        4.1.3 图像特征分析
    4.2 基于迁移学习的图像分类模型的实验结果
        4.2.1 样本数据选取
        4.2.2 结果对比与分析
    4.3 多特征融合图像分类模型实验结果分析
        4.3.1 训练结果对比分析
        4.3.2 测试结果对比分析
        4.3.3 与现有文献对比分析
    4.4 本章小结
5 总结与展望
    5.1 本文总结
    5.2 未来展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：3794001