智能计算机与应用
智能計算機與應用
지능계산궤여응용
Computer Study
2015年
3期
12-15
,共4页
图像分块%词袋模型%K均值%SVM%TSVM%ELM
圖像分塊%詞袋模型%K均值%SVM%TSVM%ELM
도상분괴%사대모형%K균치%SVM%TSVM%ELM
分类算法应用于图像检索中,可有效解决图像检索中的分类问题,缩小低层特征与高层特征之间的鸿沟,提高检索精度.以图像颜色与纹理特征并结合图像分块特征作为低层综合特征,借鉴词袋(Bag of Words)模型,利用K均值(K-means)聚类算法,分别采用支持向量机(SVM)、直推式支持向量机(TSVM)以及极限学习机(ELM)三种学习机制,对cord图像库进行分类检索.实验表明,ELM分类器的识别准确率高于SVM和TSVM分类器,且检索速度快.
分類算法應用于圖像檢索中,可有效解決圖像檢索中的分類問題,縮小低層特徵與高層特徵之間的鴻溝,提高檢索精度.以圖像顏色與紋理特徵併結閤圖像分塊特徵作為低層綜閤特徵,藉鑒詞袋(Bag of Words)模型,利用K均值(K-means)聚類算法,分彆採用支持嚮量機(SVM)、直推式支持嚮量機(TSVM)以及極限學習機(ELM)三種學習機製,對cord圖像庫進行分類檢索.實驗錶明,ELM分類器的識彆準確率高于SVM和TSVM分類器,且檢索速度快.
분류산법응용우도상검색중,가유효해결도상검색중적분류문제,축소저층특정여고층특정지간적홍구,제고검색정도.이도상안색여문리특정병결합도상분괴특정작위저층종합특정,차감사대(Bag of Words)모형,이용K균치(K-means)취류산법,분별채용지지향량궤(SVM)、직추식지지향량궤(TSVM)이급겁한학습궤(ELM)삼충학습궤제,대cord도상고진행분류검색.실험표명,ELM분류기적식별준학솔고우SVM화TSVM분류기,차검색속도쾌.