论文粒子群优化算法选择特征的运动图像分类是适合运动图像分类论文写作的大学硕士及相关本科毕业论文，相关运动图像分类开题报告范文和学术职称论文参考文献下载。
摘 要： 为了提高图像分类的效果,考虑当前方法准确实现图像分类的难题,提出粒子群优化算法选择特征的运动图像分类方法.对当前运动图像分类方法的研究现状进行分析,提取不同类型的图像,并采用粒子群优化算法选择最优特征,组成特征向量,将特征向量机作为神经网络的输入,实现运动图像的分类.采用具体图像分类实验进行验证,结果表明,该方法可以描述不同运动图像的类别信息,缩小图像的分类误差,避免其他图像分类方法的缺陷,提高了图像的整体分类正确率.
关键词： 运动图像； 特征选择； 粒子群算法； 图像分类
中图分类号： TN911.73?34； TP317.4 文献标识码： A 文章编号： 1004?373X（2017）17?0047?04
Moving image classification based on particle swarm optimization
algorithm selecting features
WU Xue
（Wuhan Institute of Technology, Wuhan 430205, China）
Abstract： In order to improve the effect of image classification and realize the accurate image classification, a moving image classification method based on particle swarm optimization algorithm selecting features is proposed. The current research status of the moving image classification methods is analyzed to extract the images of different types. The particle swarm optimization algorithm is used to select the optimal feature to compose the feature vector. The feature vector machine is taken as the input of neural network to classify the moving images. The classification experiments of specific images were adopted to make verification. The experimental results show that the method can describe the categories information of different moving images, reduce the classification error of the images, oid the defects of other image classification methods, and improve the overall image classification accuracy.
Keywords： moving image； feature selection； particle swarm optimization algorithm； image classification
0 引 言
隨着计算机图像处理技术和数码技术的不断发展,在现实生活中产生了大量的运动图像[1].对运动图像进行快速检索可以便于图像管理,而图像分类是图像管理的基础,建立性能良好的运动图像分类方法具有十分重要和现实的意义,因此图像分类问题引起了人们的高度关注[2?3].
最原始的运动图像分类主要通过手工方式进行,当图像数量比较少时,该方法可以获得比较理想的图像分类效果,当图像数量比较大时,分类速度慢、费时,给海量图像管理带来了困难[4].随着自动化技术的不断发展,人们开始采用计算机进行运动图像自动分类,节省了大量的人力,分类速度明显加快[5].运动图像自动分类首先要提取一定数量、能够描述图像内容的特征,然后根据特征对图像样本进行处理,采用一定的方法建立运动图像分类器,实现运动图像的分类,因此特征直接影响着图像分类结果的好坏.当前运动图像特征主要有纹理、颜色、边缘等特征,每一种特征对每一类图像的分类结果作用是不相同的,它们之间的差异明显[6?7].单一特征提供的图像内容信息十分有限,为了更好地实现运动图像分类,人们尽可能多的提取运动图像特征,然而特征之间具有一定的相关性,即经常所说的信息冗余,信息冗余对图像分类速度产生不利影响,有时对图像分类的正确率也会产生负面影响,影响图像分类的整体性能[8?9].有学者提出对图像特征进行降维处理的思想,如主成分分析、判别分析,有效降低了图像特征的维数,加快了图像的分类速度,但只是对图像进行融合,特征对图像分类结果的贡献没有很好的表示出来,有学者采用遗传算法、粒子群算法对运动图像特征进行选择,它们没有破坏图像特征的原始意义,图像分类结果的可解释性好,然而它们也存在一定的不足,运动图像分类结果有待改善[10?12].
为了提高图像分类的效果,考虑当前方法无法准确实现图像分类的难题,提出粒子群优化算法（PSO）选择特征的运动图像分类方法,结果表明,该方法减少了图像的分类误差,提高了图像的整体分类正确率,可以满足运动图像自动管理的需要.
1 粒子群优化算法选择特征的运动图像分类原理
基于PSO算法的运动图像分类原理为：首先采集运动图像,并提取不同类型的特征；然后采用粒子群算法对最重要的特征进行搜索,选择最重要的特征组成特征向量；最后采用神经网络建立图像分类器进行图像分类,如图1所示.
总结:本文是一篇关于运动图像分类论文范文，可作为相关选题参考,和写作参考文献。
参考文献：
1、 含有压缩因子粒子群优化灰色模型在智能电网中应用 摘要：针对智能电网对用电量预测的需求和电力系统的负荷特性，在分析了灰色模型GM（1，1）的局限性以及基本粒子群算法在优化GM（1，1）背景值时所。
2、 柔性作业车间调度分布式粒子群优化算法 摘 要：针对柔性作业车间调度问题的特性，提出了一种分布式粒子群优化算法以求解柔性作业车间调度问题，该算法以最小化最大完工时间为目标，为解决传统粒。
3、 一种适用于机组组合优化的改进整数编码粒子群算法 摘 要： 针对机组组合这一高维、非线性混合整数规划问题，提出一种结合修补策略的整数编码粒子群（ICPSO） 算法。用正负整数分别表示机组开停机的。
4、 基于动态粒子群优化和Kmeans聚类图像分割算法 摘 要： 为了解决K?means聚类算法图像分割质量过度依赖于初始聚类中心选取，且易于陷入局部最优解等问题，提出一种基于动态粒子群优化（DPSO。
5、 基于微粒群优化算法的直流电机控制系统 摘 要： 针对现有直流电动机控制系统的特点和存在的问题，介绍以STM32单片机为控制核心的直流电机数字调速控制系统。该系统利用PWM信号驱动控制。