机器学习方法在图像分类中的应用

者数 学公 式 的形式 给 出。
方 图的不 同来分 析两 幅 图像 之 间在 颜色 分布 上 的差 异 ，但 是 由于对 于 其他 的一 些特 点 如形 状等 不敏 感 ，因 此效 果 并不 是十 分 的理 想 。 上 世 纪 八十 年 代Ｐ ａ ｗ ｌ ａ ｋ ． ｚ 等人 提 出 的粗糙 集 理论 ，通过 引入 代 数 中 的等价 关 系来 解 读 知识 ，通 过对 一 些知 识 的处 理 ，从而 获得 了更好 的分 类效 果 。 另外 基 于机 器学 习方 法 的分 类 主要 由贝叶 斯方 法和 神经 网络方
Ｓ Ｖ Ｍ 自从提 出后 ，虽然 有 非常 多的 不同版 本 ，但是 在神 经 网络 大 规模 应用 之前 ，一直 是效 果最好 的 图像分 类方 法之 一 。 Ｓ Ｖ Ｍ是针对 线性可 分的问题提 出的一种分类算 法，首先模 型需要 保 证支持 向量与分 类标准之 间的最大 间隔 ，即在保证所 有的样 本都被 分 类正确 的前提 下，满足 两类 之 间的分类 间隔最大 。对 于图像分 类来 说 ，我们将 图像的每 一个像素 点都当做是 图像的一个属 性 ，在Ｓ Ｖ Ｍ中 我 们将 一幅 图像展 开成一 个 向量 作为 模型 的输 入 ，如果 图像是３ ２ ＊ ３ ２
法等。
模型 预测 ：首先 运用 “ 测 试集 ”对 分类 模 型进 行评 估 ，若模 型 预测 的准 确性 足够 高 ，就 可 以用该 模 型对未 知类 别 属性 值 的图像 进
行 分类 预测
贝 叶斯 分类 方 法 的主 要 过 程 是 ：首 先 计 算 每 一 个 训 练集 的类 分 布 ，把 这种 分布 作 为每 一 个类 别 的概 率分 布 ，然 后再 利用 概 率论
中 的贝 叶斯 定理 和数 理 统计 学 去估 算某 个特 质样 本 属于 那一 类 的概
３ ． 图像分类方法
３ ． １ 支持 向量 机
率 大 小 。贝 叶斯方 法 又可 具体 分 为 贝叶 斯信 念 网络和 朴 素 贝叶斯 方
法 ，但 是 根 据 目前 状 况 来 看 ， 该方 法 应 用 较 多 的 是 贝 叶 斯信 念 网
【 关键词 】机器学习；图像分类 ；Ｓ Ｖ Ｍ；深度学习
１ ． 概述
１ ． １ 研 究 背景 与意 义 随 着社 会 的发 展 ，尤 其是 智 能手机 的普及 ，人们 获 取 图像 的方
２ ． 图像分类
２ ． １什 么是 图像 分 类 分类 是根据训 练数据集 中的数据 所表现 出来的类特 征，给每一 类 确定 一种准确 地描述 方式 ，由此生成类描 述或模 型，并运 用这种描 述 方式对 新 的数 据集进 行分类 。图像分类 是指针对 原始 的图片数据 ，对 数据进行过 滤、提取特征 等操作 ，然后 根据 图像特征进 行分类 。 ２ ． ２ 图像分 类 的过 程 图像 数 据 的预处 理 ：首 先我 们需 要针 对相 应 的图像 做 一部分 预 处理 ，这 一 步 的主要 目的是 处理 原始 的 图片数 据 ，使其 符合 我们 的 模型 的 需要 ，有 一些 对 图像 的基 础操 作也 在这 一步 骤 中进行 。比如 将 图片裁 剪 成特 定 的大 小 ，将 彩 色 图转换 成灰度 图，将 数据 处理 成
Ｅ Ｌ Ｅ Ｃ Ｔ Ｒ ＯＮ Ｉ Ｃ Ｓ ＷＯ Ｒ Ｌ Ｄ・ 探 索与观察
相器 学 习方 法在 图像 分 类 【 ｌ 】 硇 应用
河南省郑 州 中学 虞 达飞
【 摘要 】 近 年来 ，随着硬件技 术的发展 ，尤其是 Ｇ Ｐ ｕ计算能 力的提 升 ，机 器学 习方法在 图像 分类领域取得 了一 系列的进展 ，特 别是 卷积神 经网络 对 于提 高 图像分 类的效果有 着显著 的作 用。综述 图像 分类 的基 本概念 ，以及 近机器 学习，深度 学习方法在 图像分 类领 域的进展和典 型模 型。
Ｓ ｗａ ｉ ｎ 和Ｂ ａ ｌ ｌ ａ ｒ ｄ 提 出 了基 于 色彩 直 方 图的 方法 ， 通 过 比较 颜 色直
们 的训 练数 据是 非常 不 足的 ，但 是像 是神 经 网络这 种算 法往 往 需要 非常 大量 的 训练 数据 ， 如果 训练数 据 不足 的话 ，很 容 易造成 网络 的 过拟 合 。这 样模 型的 泛化 误差 就会 非 常 的大 ，得不 到 良好 的分类 效 果 。因此 我们 需 要对 图像 进 行一 些随机 裁剪 ，随机 翻转 ，旋 转随 机 角度 等操作 ，增 加 数据 的复 杂性 ，提 高模 型 的泛化 能力 。 构建 分类 模 型 ：首先 需要 一个 类 别属 性值 己知 的数 据集 作为 训 练 集 ，经 过特 征提 取 和离 散化 后 ，进行 训练 样本 集 的监 督学 习 ，去 建立 一个 分 类模 型 。最后 我们 的分 类模 型 一般 是 以规则 ，决 策树 或
统一 的格 式等 。 数 据增 强 ： 由于 我 们 的 数 据存 在 着 很 大 的 差 异 ，很 多 时 候 我
式越 来 越方 便 、快 捷 。因此 网络上 存储 的图片 数据 越 来越 多 ，不仅 仅给 图像数 据 的存 储带 来 了很 大 的 困难 ，并且 图像 数 据 中存储 的 信 息 也是 十分 丰 富 的，要 获取 图像 中的信 息 也变 得越 来越 重 要 。图像 中 的信 息对 于 我们 来说 也 是非 常重 要 的 ，这些 信 息不仅 可 以帮 助 我
在 进 行 图像 分类 之前 ，必 须 对 它 们 进 行 高 效 的 分 类 管 理 ， 并 且 ，想要 让 计算 机像 人 类一 样 灵活 地对 图像 数 据进 行分 类 ，具 有非 常大 的挑 战 性 ，其 中所 要面 临 的难 题不 仅 是 图像数 据 的不 规则 性 ， 还 包 括 图像 的数 量 级 ，不 同 图像 数 据 的表示 方 法等 等 ，因此 ，图像 分类 问题 向来 都是 一 个具 有挑 战性 的研 究 热点 。 １ ． ２ 图像 分 类 的当前 研 究现 状
们 获 得人 们 的想 法 ，还为 我们 提供 了很 多 人类 的行 为数 据 。
图像 分 类是 一 个基 础性 的 工作 ，它 的应 用 非 常广 泛 ，不仅 应用 在 图像 分类 管 理和 信息 提取 方 面 ，还应 用于 目标识 别 ，人脸 识 别 ，
图像检 索 等 方面 ，并且 在 其他 研 究领域 有 Hale Waihona Puke Baidu要 的价 值和 意义 。