1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，圖像數(shù)量呈爆炸式增長。針對海量圖像進行分類和管理已經(jīng)成為新的研究熱點，其目標是將特定的圖像歸類到某一特定的語義類別之中。近年來，視覺詞袋模型因其簡單高效的特點，在圖像分類領域取得了很多的成果。但是它仍然存在一些問題，主要存在于圖像視覺單詞特征的構建以及圖像局部區(qū)域的空間位置關系等關鍵部分之中。
　　本文對基于視覺詞袋模型的圖像分類方法展開了深入的研究，針對視覺詞袋模型的關鍵步驟進行了改進，提高了圖像分類準確率

2、。全文主要的研究內(nèi)容如下:
　　1.闡述了圖像分類技術的研究背景和現(xiàn)狀。針對視覺詞袋模型及其在圖像分類領域的應用進行了深入的分析研究，包括其中的重要理論與關鍵技術。詳細描述了圖像特征提取、視覺詞典構建與特征編碼以及分類器算法，闡述了若干經(jīng)典算法的基本原理，并分析了這些算法的特點。
　　2.傳統(tǒng)的視覺詞袋模型無法區(qū)分圖像前景和背景，忽視了圖像特征之間的關系。另外通常采用無監(jiān)督的聚類算法生成視覺單詞，并且使用硬分配方式進行特征編

3、碼，難以將局部特征與具體的語義內(nèi)容相關聯(lián)，存在量化誤差。本文結合圖像感興趣區(qū)域和特征量化編碼，提出一種優(yōu)化的視覺詞袋模型圖像分類方法。算法首先基于網(wǎng)格的分塊策略將圖像分割成塊，采用Shi-Tomasi角點檢測和顯著性區(qū)域提取方法，得到圖像的感興趣區(qū)域。接下來，在圖像感興趣區(qū)域上提取SIFT特征，能夠消除圖像復雜背景的干擾。在圖像局部特征量化編碼階段，采用軟分配策略進行特征編碼并結合卡方擬合檢驗方法進行特征二次選擇。實驗結果表明，本文算法

4、取得了良好的分類效果。
　　3.在傳統(tǒng)視覺詞袋模型中，采用視覺單詞的統(tǒng)計特征來表示圖像內(nèi)容，忽略了視覺單詞之間的空間信息，導致圖像特征表示的表達能力和區(qū)分性不足。本文采用視覺單詞全局拓撲結構策略和Delaunay三角剖分方法，提出了一種改進的視覺詞袋模型圖像分類方法。首先，在圖像的顯著性區(qū)域上提取特征并構建視覺詞典，在一定程度上避免復雜背景信息的干擾。其次，通過全局拓撲結構約束和Delaunay三角剖分，融入視覺單詞的全局與局部空