自然场景图像与合成图像的快速分类

目的 随着现代通信和传感技术的快速发展，互联网上多媒体数据日益增长，既为人们生活提供了便利，又给信息有效利用提出了挑战。为充分挖掘网络图像中蕴含的丰富信息，同时考虑到网络中图像类型的多样性，以及不同类型的图像需要不同的处理方法，本文针对当今互联网中两种主要的图像类型：自然场景图像与合成图像，设计层次化的快速分类算法。方法 该算法包括两层，第1层利用两类图像在颜色，饱和度以及边缘对比度上表现出来的差异性提取全局特征，并结合支持向量机（SVM）进行初步分类，第1层分类结果中低置信度的图像会被送到第2层中。在第2层中，系统基于词袋模型（bag-of-words）对图像不同类型的局部区域的纹理信息进行编码得到局部特征并结合第2个SVM分类器完成最终分类。针对层次化分类框架，文中还提出两种策略对两个分类器进行融合，分别为分类器结果融合与全局+局部特征融合。为测试算法的实用性，同时收集并发布了一个包含超过30 000幅图像的数据库。结果 本文设计的全局与局部特征对两类图像具有较强的判别性。在单核Intel Xeon（R）（2.50 GHz）CPU上，分类精度可达到98.26%，分类速度超过40帧/s。另外通过与基于卷积神经网络的方法进行对比实验可发现，本文提出的算法在性能上与浅层网络相当，但消耗更少的计算资源。结论 本文基于自然场景图像与合成图像在颜色、饱和度、边缘对比度以及局部纹理上的差异，设计并提取快速有效的全局与局部特征，并结合层次化的分类框架，完成对两类图像的快速分类任务，该算法兼顾分类精度与分类速度，可应用于对实时性要求较高的图像检索与数据信息挖掘等实际项目中。

Fast classification of natural scene and born-digital images