基于SURF和全局特征融合的图像分类研究.docx

基于SURF和全局特征融合的图像分类研究
一、引言
图像分类是计算机视觉领域中的一个重要问题，目的是将图像分到预先定义好的类别中。在图像分类中，特征提取是一个非常重要的环节。目前，特征提取主要分为局部特征和全局特征两类。局部特征主要是指针对图像中的某个局部区域提取其特征，而全局特征则是提取整张图像的特征。本文旨在探讨一种基于SURF和全局特征融合的图像分类方法，以提高图像分类的准确性和稳定性。
二、相关工作
1.局部特征
局部特征是目前图像分类中最常用的特征之一，常用的局部特征包括SIFT、SURF、ORB等。SURF（SpeededUpRobustFeatures）是一种常用的局部特征提取算法，在提取特征点的同时，还计算了每个特征点的主方向和描述子。
2.全局特征
与局部特征相对应的是全局特征，全局特征是对整张图像进行特征提取，因此具有良好的稳定性。常用的全局特征包括颜色直方图、灰度共生矩阵等。但是，全局特征在一些情况下并不能很好地描述图像的局部特征，因此需要引入局部特征。
3.特征融合
特征融合是将不同的特征组合起来使用，以提高图像分类的准确性和鲁棒性。常用的特征融合方法有加权平均法、决策级融合等。
三、方法
本文提出一种基于SURF和全局特征融合的图像分类方法。具体流程如下：
1.读取图像并进行预处理，将图像转换为灰度图像，并进行尺度归一化处理。
2.对图像进行SURF特征提取，得到每个特征点的主方向和描述子。
3.采用颜色直方图作为全局特征，将图像划分为若干个区域，对每个区域计算其颜色直方图。
4.将SURF特征和颜色直方图特征进行融合，采用加权平均法，对每个特征点的描述子进行加权平均，得到融合后的特征向量。
5.对融合后的特征向量进行分类，采用支持向量机（SVM）进行分类。
四、实验结果
本文在Caltech101数据集上进行了实验，对比了本文提出的方法和单独使用SURF特征或颜色直方图特征的分类准确率。实验结果表明，本文提出的方法可以显著提高图像分类的准确性和稳定性。
五、结论
本文提出了一种基于SURF和全局特征融合的图像分类方法，通过将局部特征和全局特征进行融合，提高了图像分类的准确性和稳定性。实验结果表明，本文提出的方法可以在Caltech101数据集上取得比较好的分类效果，并具有一定的可推广性。