1、隨著多媒體技術的發(fā)展，圖像信息應用越來越廣泛，人們對于圖像等多媒體數(shù)據(jù)的需求也越來越強烈。圖像具有豐富的高層語義，高層語義概念更符合人們對圖像的理解，基于語義的圖像分類和理解技術便應運而生。在多媒體和模式識別領域相關知識指導下，基于語義的圖像分類技術代表著圖像理解發(fā)展的方向。本文結合支持向量機研究了基于綜合特征的圖像語義分類方法。 本文首先介紹了圖像分類技術的發(fā)展和研究現(xiàn)狀，研究了圖像內容的描述方式以及支持向量機的基本原理和核函

2、數(shù)模型，為后續(xù)的研究提供了理論基礎。 然后，本文研究了圖像綜合特征的提取問題。核主成分分析法是一種常用的綜合特征提取方法，這種方法的缺點是求解圖像特征核矩陣的計算十分耗時，針對這個問題，我們提出了一種基于施密特正交化的核主成分分析法。該方法改進了核主成分分析方法中耗時的特征分解過程，通過施密特正交化核矩陣，避免了原始方法中直接求解特征值和特征向量的過程，具有較低的計算復雜度。實驗證明這兩種方法提取出的特征與原始特征的均方誤差（即

3、波動程度）相差不大，但是改進算法的計算時間明顯少于原來的算法。 接著本文研究了多類分類器的構造問題，由于支持向量機最初是用于解決二類分類問題的，由此需要一定的策略組合這些二類分類支持向量機。一對一多類分類方法具有訓練時間短、錯誤率低的優(yōu)點，但是當某些二類分類器分類效果不佳時會嚴重影響分類性能。針對這個問題，本文引入了交叉驗證正確率作為分量分類器的權值，交叉驗證是一種基于重采樣技術評估分類器的分類正確率和泛化能力的數(shù)學方法，因此采

4、用交叉驗證正確率作為權值能夠保證具有最高分類性能的分量分類器對最終的分類結果作的貢獻最大。實驗證明改進的算法分類正確率要高于原來的算法。 在以上研究基礎上，本文建立了一個基于語義的圖像分類系統(tǒng)，系統(tǒng)可以提取圖像的底層特征和選擇支持向量機的參數(shù)，主要功能是檢驗不同條件下的圖像分類性能，為前述的研究作出實驗結果驗證。本文介紹了系統(tǒng)的組成和框架，給出了一些圖像分類的實例和實驗數(shù)據(jù)。在實驗部分，我們根據(jù)實驗結果分析了具有較優(yōu)分類性能的特