基于朴素贝叶斯K近邻的快速图像分类算法
朴素贝叶斯最近邻(NBNN)作为一种非参数的分类方法无需学习的过程,算法原理简单,分类性能较优,但NBNN算法运行速度较慢且仅使用特征的最近邻用于分类决策.本文基于NBNN原理提出一种朴素贝叶斯K近邻分类算法,保留了NBNN非特征量化和图像-类别度量方式的优点,使用FLANN搜索特征的K近邻用于分类决策并去除背景信息对分类性能的影响;为了进一步提高算法的运行速度及减少算法的内存开销,采用特征选择的方式分别减少测试图像和训练图像集的特征数目,并尝试同时减少测试图像和训练图像集中的特征数目平衡分类正确率与分类时间之间的矛盾.Caltech-101图像库上的实验结果验证了本文算法的正确性和有效性.
图像分类 朴素贝叶斯K近邻 特征选择 有效性
张旭 蒋建国 洪日昌 杜跃
合肥工业大学计算机与信息学院,合肥市中国 230009; 解放军陆军军官学院计算机教研室,合肥市中国 230031 合肥工业大学计算机与信息学院,合肥市中国 230009 解放军陆军军官学院计算机教研室,合肥市中国 230031
国内会议
北京
中文
1-11
2014-09-13（万方平台首次上网日期，不代表论文的发表时间）