基于异常点检测的图像分类技术研究

"本文主要研究内容涉及图像视觉特征提取、分类器设计、高维数据异常点检测，以及在图像分类中的应用。通过对比全局和局部视觉特征，使用SVM实现初步分类，然后运用高维异常点检测技术找出可能的错误分类，并进行类别修正，以提高图像分类的准确性。文章分为五个章节，深入探讨了图像分类和异常点检测的理论与实践，最终设计并实现了基于异常点检测的图像分类系统。" 这篇硕士学位论文主要探讨了基于异常点检测的图像分类技术，作者田乐逍在导师郑德权副教授的指导下，针对计算机科学与技术领域进行了深入研究。论文的核心内容围绕以下几个方面展开： 1. 图像分类与异常点检测现状：第一章概述了图像分类和异常点检测技术的研究背景和重要性，介绍了相关领域的最新进展，同时阐述了高维异常点检测的关键算法。 2. 特征提取与初步分类：第二章详细介绍了全局和局部视觉特征的表示方法，选择了支持向量机（SVM）作为分类工具，通过实验验证了在CALTECH和Scene-15图像集上的分类效果。 3. 异常点检测：第三章探讨了常用的高维异常点检测算法，用于识别初步分类中的错误。通过分析同一类别内的图像，确定可能的异常点，进一步提升了分类的精确性。 4. 类别修正：第四章提出了针对检测到的异常点采用最大熵分类方法进行类别判断和修正，实验证明了这种方法的有效性。 5. 系统设计与实现：第五章详细描述了基于异常点检测的图像自动分类系统的构建过程，包括初始分类系统和结果修正子系统的功能和运行机制，并在多类图像集上进行了实验，分析了实验结果。 这篇论文的工作不仅在理论上丰富了图像分类和异常点检测的研究，而且在实践中提供了实用的解决方案，对于提高图像处理和分类的效率和准确性具有重要意义。通过这些技术，可以更有效地管理和检索大量图像数据，特别是在多媒体技术和互联网图像搜索领域有着广泛的应用前景。