基于优化视觉词袋模型的图像分类方法

来源：计算机应用杂志2017年第8期北京时间：

作者：张永, 杨浩

单位：兰州理工大学 计算机与通信学院, 兰州 730050

摘要：针对视觉词袋（BOV）模型中过大的视觉词典会导致图像分类时间代价过大的问题，提出一种加权最大相关最小相似（W-MR-MS）视觉词典优化准则。首先，提取图像的尺度不变特征转换（SIFT）特征，并用K-Means算法对特征聚类生成原始视觉词典；然后，分别计算视觉单词与图像类别间的相关性，以及各视觉单词间的语义相似性，引入一个加权系数权衡两者对图像分类的重要程度；最后，基于权衡结果，删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词，从而达到优化视觉词典的目的。实验结果表明，在视觉词典规模相同的情况下，所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30%；当图像分类精度相同的情况下，所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18%，因此，所提方法具有较高的分类效率，适用于图像分类。

关键词：图像分类,视觉词袋模型,特征提取,视觉词典