圖片分類(lèi)技術(shù)旨在借助機(jī)器學(xué)習(xí)算法與計(jì)算機(jī)的高速運(yùn)算能力來(lái)實(shí)現(xiàn)圖片信息的提取、理解與分類(lèi)。而食物圖片分類(lèi)作為細(xì)粒度的分類(lèi)問(wèn)題,在具體實(shí)施過(guò)程中面臨更多困難。不同國(guó)家和地區(qū)的飲食習(xí)慣與菜品呈現(xiàn)方式差異很大,尤其是亞洲食物圖片,其內(nèi)容瑣碎、結(jié)構(gòu)復(fù)雜,相關(guān)分類(lèi)量化方法仍有較大空白,亟需針對(duì)亞洲食物特點(diǎn)制定的特征提取與融合方案。針對(duì)上述問(wèn)題,本文進(jìn)行了分類(lèi)模型構(gòu)建與特征提取方案制定兩個(gè)層面的研究工作:（1）分類(lèi)模型構(gòu)建部分,提出一種針對(duì)亞洲食物圖片的分類(lèi)模型MDFC（Multidimensional Fusion and Classification）。其完整處理流程包括:在圖片預(yù)處理階段使用Grab Cut算法進(jìn)行迭代化的圖片分割過(guò)程,去除背景干擾信息的同時(shí)突顯食物主體;在特征提取階段使用SURF描述子進(jìn)行局部特征表示,并借助圖片的顏色特征進(jìn)一步加強(qiáng)特征向量的表達(dá)能力;在分類(lèi)階段使用配置徑向基核函數(shù)的支持向量機(jī)進(jìn)行數(shù)據(jù)分類(lèi)操作。MDFC各技術(shù)組成部分及參數(shù)設(shè)定均已針對(duì)亞洲菜品的特有結(jié)構(gòu)進(jìn)行優(yōu)化,經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證,可以有效提升亞洲食物圖片分類(lèi)效果。（2）特征提取方案制定部分,提出了結(jié)合亞洲食物圖片的... 

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的組織結(jié)構(gòu)
        1.3.1 論文研究?jī)?nèi)容
        1.3.2 論文創(chuàng)新之處
        1.3.3 論文組織結(jié)構(gòu)
第二章 基于內(nèi)容的圖片分類(lèi)技術(shù)
    2.1 圖片分類(lèi)技術(shù)框架
        2.1.1 圖片信息提取
        2.1.2 分類(lèi)模型構(gòu)建
    2.2 圖片分割算法
        2.2.1 基于圖論的Graph Cuts算法
        2.2.2 基于GMM的 Grab Cut算法
    2.3 圖片局部特征提取方法
        2.3.1 SIFT特征
        2.3.2 SURF特征
        2.3.3 AKAZE特征
        2.3.4 BRISK特征
        2.3.5 ORB特征
    2.4 圖片顏色特征提取方法
        2.4.1 顏色空間
        2.4.2 顏色特征量化與表示
        2.4.3 相似度度量標(biāo)準(zhǔn)
    2.5 特征融合方法
        2.5.1 Bag of Features模型
        2.5.2 特征融合方式
    2.6 圖片分類(lèi)器
        2.6.1 線性SVM分類(lèi)器
        2.6.2 非線性SVM分類(lèi)器
    2.7 本章小結(jié)
第三章 亞洲食物圖片分類(lèi)模型MDFC
    3.1 MDFC亞洲圖片分類(lèi)框架
    3.2 使用Grab Cut進(jìn)行圖片分割
    3.3 局部特征提取
        3.3.1 局部特征提取過(guò)程
        3.3.2 局部特征提取效率
    3.4 顏色特征提取
        3.4.1 局部顏色特征提取
        3.4.2 全局顏色特征提取
    3.5 特征融合
        3.5.1 特征融合方式
        3.5.2 特征融合結(jié)構(gòu)
    3.6 圖片分類(lèi)
    3.7 本章小結(jié)
第四章 基于特征融合的圖片分類(lèi)設(shè)計(jì)與仿真
    4.1 仿真設(shè)計(jì)概述
    4.2 仿真平臺(tái)說(shuō)明
    4.3 仿真系統(tǒng)的設(shè)計(jì)與搭建
        4.3.1 數(shù)據(jù)準(zhǔn)備
        4.3.2 特征提取與融合
        4.3.3 SVM分類(lèi)器的構(gòu)建
    4.4 仿真結(jié)果與分析
        4.4.1 圖片分割
        4.4.2 局部特征提取
        4.4.3 局部顏色特征提取
        4.4.4 全局顏色特征提取
        4.4.5 特征融合
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
在讀期間公開(kāi)發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合的室外天氣圖像分類(lèi)[J]. 郭志強(qiáng),胡永武,劉鵬,楊杰.  計(jì)算機(jī)應(yīng)用. 2020(04)
[2]基于量化顏色特征和SURF檢測(cè)器的圖像盲鑒別算法[J]. 胡夢(mèng)琪,鄭繼明.  計(jì)算機(jī)科學(xué). 2019(S2)
[3]中西方食物與營(yíng)養(yǎng)發(fā)展的差異化比較及借鑒[J]. 王東陽(yáng).  中國(guó)食物與營(yíng)養(yǎng). 2019(07)
[4]圖割綜述[J]. 楊晨曉,辛月蘭.  電子設(shè)計(jì)工程. 2018(06)
[5]基于優(yōu)化視覺(jué)詞袋模型的圖像分類(lèi)方法[J]. 張永,楊浩.  計(jì)算機(jī)應(yīng)用. 2017(08)
[6]影響特征檢測(cè)子魯棒性與速度方法的對(duì)比分析[J]. 孫世宇,張巖,李建增,李德良,杜玉龍,杜文博,張帥.  電光與控制. 2017(08)
[7]基于支持向量機(jī)的遙感圖像分類(lèi)研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計(jì)算機(jī)科學(xué). 2016(09)
[8]圖像分割中的超像素方法研究綜述[J]. 宋熙煜,周利莉,李中國(guó),陳健,曾磊,閆鑌.  中國(guó)圖象圖形學(xué)報(bào). 2015(05)
[9]組合金字塔和多核學(xué)習(xí)的圖像分類(lèi)方法[J]. 甘玲,谷偉慶.  小型微型計(jì)算機(jī)系統(tǒng). 2014(07)
[10]基于多特征的紅外與可見(jiàn)光圖像融合[J]. 楊桄,童濤,陸松巖,李紫陽(yáng),鄭悅.  光學(xué)精密工程. 2014(02)

博士論文
[1]圖像直方圖特征及其應(yīng)用研究[D]. 汪啟偉.中國(guó)科學(xué)技術(shù)大學(xué) 2014



本文編號(hào)：3655527