标签: 图像分类

本文提出一种基于RBF神经网络的医学图像分类算法，利用像素的特征信息作为训练样本对RBF神经网络进行训练，使用训练后的RBF神经网络图像的分类识别，对不同的分类结果赋予不同rgb值进行显示。实验结果表明，RBF神经网络的结构简单、学习权值数量少且收敛速度快，不仅能有效的区分医学图像中的不同结构，显示图像细节，同时其误差曲线收敛稳定、速度快。

本次研究针对内容图像检索方数据量大、计算复杂度较高等问题，以SIFT算法中的图像分类方式为研究视角，深入分析SIFT算法的特点及其生成，并把该方法应用至体育类图像分类上。使用该方法由图像中获取特征点后，依次采用K-Mean算法、DBScan算法对特征数据展开分析，最终获得真实反映图像特征的数据，并利用上述数据对图像归类。实验结果证实，这种方法分类精度高、速度快，值得在图像分类领域大规模使用。

遥感图像具有丰富的光谱信息和空间信息，因此遥感图像分类被广泛的应用于气象预报、国防预警等多个领域。文中对遥感图像进行非监督分类，提出了基于区域合并的遥感图像分类方法。首先采用主成分首先采用主成分分析法（PCA）对高光谱遥感数据集进行降维处理，在尽可能保留图像信息的情况下滤除大部分的光谱维，接着利用灰度直方图将空间信息引入降维后的遥感图像，然后对于由此增加的空间信息维度进行第二次降维，再后采用高斯混合模型通过迭代收敛最终完成聚类。文章最后在PaviaUniversity数据集上进行遥感图像分类实验，通过比较总体分类精度与kappa系数发现，此算法在遥感图像分类的精确性与正确性提高了约40%。

针对军事战场背景下不同军事目标相似度较高，使得复杂环境中目标识别率较低，且军事目标与作战环境相似度也比较高，因此对作战环境中的军事目标图像分类技术进行研究是有必要的，本文利用卷积神经网络在静态图像上稳健的特征提取能力，提出一种基于卷积神经网络的并行网络模型，用于军事目标图像分类，该方法利用两种边缘检测算子分别提取目标图像特征，之后输入卷积神经网络中进行深度特征提取，与传统卷积神经网络相比，分类识别率提高了1.2%，达到了97%。理论分析与实验数据说明，通过该模型能够对军事目标图像数据进行有效区分，对准确提供军事作战信息有重要意义。