基于云模型相似度的图像分类方法研究

合集下载

基于深度学习的图像分类技术研究

基于深度学习的图像分类技术研究在当今数字化的时代，图像数据呈爆炸式增长，如何有效地对这些海量图像进行分类和理解成为了一项重要的任务。

深度学习技术的出现为图像分类带来了革命性的突破，使得计算机能够像人类一样准确地识别和理解图像的内容。

深度学习是一种基于人工神经网络的机器学习方法，它通过构建多层的神经网络结构来自动从数据中学习特征和模式。

在图像分类任务中，深度学习模型能够自动提取图像中的低级特征（如边缘、纹理等）和高级特征（如物体的形状、结构等），从而实现对图像的准确分类。

传统的图像分类方法通常依赖于手工设计的特征提取器，如 SIFT （ScaleInvariant Feature Transform，尺度不变特征变换）、HOG （Histogram of Oriented Gradients，方向梯度直方图）等。

这些方法虽然在一定程度上能够提取图像的特征，但它们往往需要大量的先验知识和人工干预，而且对于复杂的图像场景和变化的光照条件等因素的适应性较差。

相比之下，深度学习模型能够自动学习到更加鲁棒和有效的特征表示，从而大大提高了图像分类的性能。

在深度学习中，卷积神经网络（Convolutional Neural Network，CNN）是最常用于图像分类的模型架构之一。

CNN 通过卷积层和池化层的组合来对图像进行特征提取。

卷积层中的卷积核能够对图像的局部区域进行扫描和卷积操作，从而提取出图像的局部特征。

池化层则用于对特征图进行降采样，减少数据量并提取主要特征。

通过多层的卷积和池化操作，CNN 能够逐渐提取出图像的高级特征，并最终通过全连接层和分类器输出图像的类别。

为了提高图像分类的准确性，研究人员还提出了许多改进的 CNN架构和训练方法。

例如，ResNet（Residual Network，残差网络）通过引入残差连接解决了深度网络中的梯度消失问题，使得网络能够训练更深的层次。

Inception 网络则通过使用不同大小的卷积核和并行的卷积操作来提取多尺度的特征，从而提高了模型的性能。

基于多模态深度学习的图像分类算法研究

基于多模态深度学习的图像分类算法研究一、绪论图像分类是计算机视觉和机器学习领域的一个研究热点。

在图像分类任务中，智能算法需要将一张图像准确地归类到一个预定义的类别中。

传统的图像分类方法主要基于手工设计的特征提取算法，而随着深度学习技术的普及，基于深度学习的图像分类方法已经取得了很大的进展。

本文旨在介绍一种基于多模态深度学习的图像分类算法。

二、传统图像分类方法传统的图像分类方法主要包括特征提取和分类两个步骤。

其中，特征提取是将图像表示为计算机可处理的形式，常用的计算机视觉特征包括SIFT、SURF、HOG等。

特征提取后，使用分类算法将图像分配到预定义的类别中。

常用的分类算法包括支持向量机（SVM）、朴素贝叶斯分类器和$k$近邻算法。

然而，传统的图像分类方法存在一些问题。

首先，手工设计的特征提取算法对于不同的图像数据集效果差异较大，需要不断重新设计和测试。

其次，传统的分类方法需要大量的训练数据，而在实际应用中获取大量标注数据的成本很高。

三、深度学习图像分类方法深度学习是近年来在图像分类领域取得了巨大成功的一种方法，通过利用深度神经网络对图像进行端到端的学习。

最初，深度学习主要应用于图像分类和目标检测等任务，并在ImageNet数据集上取得了不错的成绩。

现在，深度学习已经广泛应用于计算机视觉领域的许多任务，例如图像分割、图像生成和图像超分辨率等。

基于深度学习的图像分类方法通常包含三个关键步骤：特征提取、特征表示和分类。

其中，特征提取和特征表示通常采用卷积神经网络（CNN）进行。

CNN是一种深度神经网络，其结构模仿了人类视觉系统的层次结构，可以有效地从图像中提取特征。

CNN的训练通常采用反向传播算法，并且可以使用大量标注数据进行监督学习训练。

通过使用卷积神经网络，可以克服传统的图像分类方法中存在的问题，例如需手动设计特征提取算法和数据标注困难等问题。

四、多模态深度学习多模态深度学习是指在神经网络中同时使用多个数据源进行训练或测试，例如图像、文本或声音。

基于云模型定性规则推理的分类方法

论文导读:：根据粗糙集原理和模糊集理论，提出了一种基于云模型定性规则推理的分类方法，它利用云的相关理论获得多条件单规则中包含隶属度的决策表，结合模糊模式识别技术进行样本分类。

针对一些数据对象分别隶属于不同类别的情况，定性概念来代替模糊集中的定量数据并建立二元关系，能对连续型数据进行更为简单合理的“软”分类，从而使基于定性概念的算法模型符合人类思维方式。

论文关键词：云模型，规则推理，分类算法，定性概念0 引言在模糊理论[1]中，模糊聚类分析方法就是通过建立模糊相似矩阵或模糊等价矩阵，利用直接聚类法、最大树法、编网法等方法结合阈值对论域中的样本进行分类。

然而模糊相似矩阵和模糊等价矩阵都是通过相似系数法、距离法和其它方法（如数量积法、夹角余弦法、海明距离、欧氏距离、切比雪夫距离等方法）建立在二元关系的基础之上，并且通过等价关系的传递性质进行动态聚类。

因此，建立二元关系是进行分类或聚类的重要过程。

不同论域中定量数据可以通过模糊聚类方法中的一般步骤建立起二元关系，即两个样本之间的相似关系（或相关程度）。

那么，定性概念[2,3]是符合人类思维方式的一种数据结果表达方法，建立定性概念之间的二元关系是否也能对相应论域中的样本进行分类呢？由于云是定量数据与定性概念之间相互转化的智能模型，它主要应于数据挖掘[4,5]、预测[6]和决策[7,8]等领域，实现算法过程的定性概念描述和推理分析。

通常情况下，定量数据的推理过程是通过模糊控制理论来实现，起到定量数据的模糊化推理，可以达到较好的结果。

同样，不确定性人工智能云理论的诞生，为定性推理奠定理论基础。

本文主要根据模糊粗糙集理论，提出一种基于云理论定性推理的分类算法。

与传统方法相比，该方法通过利用云模型的相关机制对隶属于不同概念的样本实现“软”分类，而且其分类的输出结果符合人的思维模式。

1 云模型为了更为方便地说明分类算法过程分类算法，我们对李德毅院士提出的云模型的相关定义作一些简单的介绍，并给出一些相关定义。

基于深度学习的图像相似性度量算法研究

基于深度学习的图像相似性度量算法研究随着移动互联网和数字化技术的不断发展，图像处理技术的应用也越来越广泛。

图像相似性度量算法是图像处理技术中的重要一部分，它可以帮助我们实现图像的内容分析、图像检索等应用。

传统的图像相似性度量算法主要基于传统的图像特征描述子，但这种方法存在许多问题。

近年来，基于深度学习的图像相似性度量算法得到了广泛的研究，这种方法能够有效地提高图像的相似性度量精度。

一、深度学习的发展与应用深度学习是一种人工智能的技术，它可以通过训练大量的数据来学习模型和特征，得到更高质量的数据处理结果。

深度学习在语音识别、自然语言处理、图像识别等领域有着广泛的应用。

在图像处理领域中，深度学习可以通过卷积神经网络（CNN）等技术来提取图像的特征。

二、传统的图像相似性度量算法存在的问题传统的图像相似性度量算法主要基于传统的图像特征描述子，这种方法存在一些问题。

首先，传统的特征描述子往往是手工设计的，需要经过大量的实验才能得到较好的性能。

其次，传统的特征描述子不能有效地处理多样的图像场景，不能适应图像处理技术的发展需求。

三、基于深度学习的图像相似性度量算法的原理和方法基于深度学习的图像相似性度量算法可以通过深度学习提取图像特征，然后利用这些特征来衡量图像之间的相似程度。

在基于深度学习的图像相似性度量算法中，CNN是一种很常用的技术。

CNN可以通过多层卷积和池化操作来提取图像的高阶特征。

在图像相似性度量算法的训练阶段，可以使用大量的图像数据来训练CNN模型，得到更好的特征提取能力。

在测试阶段，可以使用训练好的CNN模型提取图像的特征，然后利用这些特征计算图像之间的相似度。

四、基于深度学习的图像相似性度量算法在实际应用中的效果基于深度学习的图像相似性度量算法在实际应用中能够取得较好的效果。

例如，在图像检索应用中，基于深度学习的图像相似性度量算法能够根据输入的关键词自动检索相关的图像。

在图像分类和图像识别应用中，基于深度学习的图像相似性度量算法能够提高图像分类和识别的准确度。

基于深度学习的图像分类算法在电子商务中的应用研究

基于深度学习的图像分类算法在电子商务中的应用研究随着电子商务的快速发展，图像分类算法在电子商务中的应用变得日益重要。

基于深度学习的图像分类算法可以有效地识别和分类电子商务中的产品图像，从而提供更好的用户体验、增加销售收入并降低运营成本。

一、电子商务中的图像分类问题在电子商务中，对产品图像进行准确分类非常重要。

传统的图像分类方法主要依赖于手工设计的特征提取和分类器。

然而，这种方法面临着特征提取的复杂性和分类器的不稳定性等问题。

而基于深度学习的图像分类算法能够自动学习和提取图像的特征，从而克服了传统方法的限制。

二、基于深度学习的图像分类算法基于深度学习的图像分类算法采用了深度神经网络模型，其中最为流行的是卷积神经网络（Convolutional Neural Network，CNN）。

CNN模型通过多个卷积层、池化层和全连接层来逐步提取和学习图像的特征，并将其映射到各个类别上。

具体而言，CNN模型首先通过卷积操作捕获图像的局部特征，然后通过池化操作对特征进行降维，最后利用全连接层将特征映射到具体的类别上。

通过多次迭代训练，CNN模型可以逐渐提高图像分类的准确性。

三、深度学习在电子商务中的应用1. 商品推荐：深度学习可以对用户的浏览历史和购买行为进行分析，并根据用户的个人喜好和购买倾向推荐相关的产品。

通过对产品图像的识别和分类，深度学习可以更准确地理解用户的需求，从而提供个性化的商品推荐。

2. 图像搜索：深度学习可以将图片的内容进行高效的提取和匹配，实现基于图像的搜索功能。

用户可以通过上传图片或输入关键词的方式进行搜索，系统将根据图像的特征或关键词与数据库中的产品图像进行匹配，并返回相应的搜索结果。

这种基于图像的搜索方式可以大大提高用户的搜索效率和准确性。

3. 产品分类和标签：深度学习可以自动将电子商务平台上的产品进行分类和标签，提高企业的运营效率和销售收益。

通过对产品图像进行特征提取和分类，可以快速准确地将产品归类到相应的分类目录中。

基于深度学习算法的图像识别与分类研究

03 全连接层
全连接层用于将卷积层和池化层提取的特征进行整合，输出最终的分类结果。
深度神经网络
多层感知器
多层感知器是一种深度神经网络，通过堆叠多个神经元层来提取和传递信息。
深度信念网络
深度信念网络是一种无监督学习的深度神经网络，通过训练生成模型来学习数据的潜在表示。
优化算法
梯度下降法
反向传播算法
结果分析
准确率评估
使用测试集对训练好的模型进行评估，计算分类准确率、混淆矩阵等指标。
性能对比
将所提模型与经典模型进行对比，分析所提模型的性能优势和不足。
可视化分析
对模型的特征进行可视化，了解模型对图像特征的提取和分类决策过程。
06
结论与展望
研究成果总结
深度学习算法在图像识别与分类领域取得了显著成果，提高了分类准确率
和识别精度。
迁移学习、数据增强和混合模型等方法进一步提升了图像识别的性能，为
实际应用提供了有力支持。

卷积神经网络（CNN）是处理图像识别问题的主流深度学习算法，具有强大的特征提取和分类能力。
深度学习算法在人脸识别、目标检测、语义分割等领域取得了广泛应用，为相关行业带来了巨大的商业价值。
未来研究方向
激活函数用于引入非线性特性，使神经网络能够更好地学习和模拟复杂的数据模式。
03 权重和偏置
权重用于调节输入信号的强度，偏置则用于调整神经元的激活阈值。
卷积神经网络
01 卷积层
卷积层是卷积神经网络的核心，通过卷积运算对输入图像进行特征提取。
02 池化层
池化层用于降低数据的维度，减少计算量和过拟合的风险。
根据研究目的和数据集特点，选择合适的深度学习模型，如卷积神经网络（CNN）、残差网络（ResNet）、迁移学习等。

一种基于云模型的融合相似度方法

一种基于云模型的融合相似度方法云模型是一种用于处理不确定性和模糊性的数学模型。

它通过引入云概念来描述模糊概念的数学表示，能够有效地处理信息不确定性，并在一定程度上解决了传统模糊数学方法中的一些问题。

在相似度计算的领域中，云模型可以被用来融合多个相似度指标，从而得到更准确的相似度结果。

融合相似度方法是基于云模型的相似度计算方法的一种扩展。

该方法的主要思想是将多个相似度指标抽象成云切片，并利用云生成算法将它们融合成一个整体的云模型。

下面将介绍一种基于云模型的融合相似度方法的具体步骤。

第一步是选择相似度指标。

根据具体的应用场景和需求，选择适合的相似度指标，例如欧氏距离、余弦相似度、杰卡德相似系数等。

这些指标可以衡量不同对象之间的相似程度。

第二步是根据相似度指标计算出每个指标的相似度结果。

对于每个指标，将相似度计算结果映射到云域上，得到相应的云切片。

云切片的形状和位置反映了相似度的分布情况。

第三步是利用云生成算法将多个云切片融合成一个整体的云模型。

云生成算法可以基于概率分布的理论和方法，通过合并、修剪和重组云切片，生成一个代表融合相似度的云模型。

云模型的形状和位置描述了不同相似度指标之间的相互影响和权重关系。

第四步是从云模型中提取相似度度量。

在云模型中，可以利用各种统计量来描述相似度的特征，如云的中心、云的峰值、云的宽度等。

根据具体的需求，选择适合的统计量来度量相似度。

通过提取云模型的特征，可以得到一个具体的相似度值，用于衡量两个对象之间的相似程度。

最后一步是根据相似度值进行相似度判断。

根据具体的应用需求，可以设置一个相似度阈值，用来判断两个对象是否相似。

如果相似度值超过阈值，则认为两个对象相似；如果相似度值低于阈值，则认为两个对象不相似。

基于云模型的融合相似度方法可以在计算相似度时更好地考虑不确定性和模糊性的因素，从而得到更准确的相似度结果。

它可以将多个相似度指标综合起来，降低了单一指标的主观性和片面性，提高了相似度计算的精度和可靠性。

基于CNN算法的图像分类与识别技术研究

基于CNN算法的图像分类与识别技术研究近年来，随着物联网技术、智能设备和云计算等技术的发展，图像处理技术也得到了迅速发展。

基于CNN算法的图像分类与识别技术，是目前热门的图像处理技术之一。

本文将就这一技术进行深入探讨和研究。

一、基于CNN算法的图像分类与识别技术简介CNN，即卷积神经网络，是一种深度学习模型。

它是在传统神经网络的基础上发展而来的，具有较强的特征提取和表征能力。

在图像处理领域，CNN算法已经被广泛应用于图像分类和识别等任务中。

图像分类是指将一组图像分成若干类别的任务。

图像识别是指在图像分类的基础上，进一步进行目标检测、物体跟踪、场景分析等任务。

基于CNN算法的图像分类与识别技术，是实现这些任务的重要手段之一。

二、基于CNN算法的图像分类与识别技术的实现1. 数据预处理在进行图像分类和识别之前，需要对图像进行预处理。

预处理主要包括图像采集、预处理和特征提取。

图像采集：在图像采集环节，我们需要采集一定数量的样本图像。

样本图像具有多样性和代表性，能够充分体现分类和识别的复杂性和多样性。

图像预处理：在图像预处理环节中，我们需要对样本图像进行尺寸统一、灰度化处理、增强和去噪等操作。

这些操作可以保证分类和识别的效果，同时减少噪声干扰。

特征提取：在特征提取环节中，我们需要基于CNN算法提取样本图像的特征。

CNN算法采用一定的卷积核对图像的局部特征进行提取，并使用池化等操作减少噪声干扰和特征维度。

通过这些操作，我们可以获得更高精确的特征向量，为后续的分类和识别过程提供支持。

2. CNN模型训练在拥有足够的样本数据和特征向量后，我们需要将其用于CNN模型的训练。

训练需要将样本数据分为训练集和测试集，以便进行模型的评估和优化。

模型训练过程中，我们需要定义网络结构、确定激活函数和损失函数、设置学习率等参数，并使用梯度下降等算法进行模型优化。

通过不断地迭代训练，我们可以获得更高精确的模型效果。

3. 模型测试和实用在模型训练完成后，我们需要对其进行测试和实用。

基于云理论的图像分割新方法

ｔｅｅｄｔｅｆｎｌｓｇｎａｉｎｒｓｌｃｎｂｅｇｔｈｉｅｍｅｔｔｏｔｏａｏｎｌｖｒｏｘｅｓｖｒｌｓｈｎｈｉａｅｍｅｔｔｅｕｔａｏ．Ｔｓｓｇｎａｉｎｍｅｈｄｃｎｎｔｏｙｏｅｃｍｅｅｃｓｉｅｏｅｓｏ
图像分割是目标识别的关键和重要的步骤，其目的是将目标从背景中分离出来，计算机视觉的为后续处理提供依据［区域生长是一种具有代表性的１Ｊ．典型图像分割技术，该方法能够提供封闭的区域，且计算简单，间短［但区域生长的种子点初始化时２１．问题和生长准则问题一直影响着该算法的效果．在
第３卷第３期７
２１００年３月
应
用
科
技
Ｖｏ．７．．１３Ｎｏ３
ＡｐｌｅＳｉｎｅｎＴｅｈｏｏｙｐｉｄｃｅｃａｄｃｎｌｇ
Ｍａ．００ｔ１２
ｄｉ１．９９．ｓ．０－７Ｘ．１．．１ｏ：０３６￣ｉｎ１９６１２０３０２ｓ０００
ＡｂｔａｔＡｓｇｎａｉｎａｇｒｈｂｓｄｏｈｌｕｄｌｎｈｅｉｎｇｏｉｇｔｅｒｓｐｏｏｅ．ｉｓ，ａｓｒｃ：ｅｍｅｔｔｌｏｔｍａｅｎｔｅｃｏｄｍｏｅｄｔｅｒｇｏｒｗｎｏｙｉｒｐｓｄＦｒｔｎｏｉａｈｉｇａｓｒｄｔｌｕｄｌｙｃｏｄｔａｓｒｔｎａｄｔｅ，ｔｅｃｏｄｇｏｇｏａｌ，ａｉｇＥｆｈｍａｅｉｔｎｆｍｅａｃｏｄｍｏｅｌｕｎｆｍａｉ，ｎｎｈｌｕｒｗｓｅｉｎｌｔｋｎｘｏｅｓｒｏｏｂｒｏｏｈｒｙｔｃｏｄｍｏｅｓｔｅｓｅｆｅｉｎｇｏｎｎｎｒｏｓｅｅｍｉａｉｎｐｉｃｐｅａｅｃｉｒｆｅｉｎｌｏｉｇＩｌｕｄｌｅｄｏｇｏｗｉｇａｄｅｏａｈｒｒｍｕｔｒｎｔｒｉｌｓｈｒｅｉｏｇｏａｗｎ．ｎｄｏｎｔｔａｒｒｇ

基于云模型的云分类及分类属性重要度计算

基于云模型的云分类及分类属性重要度计算提要：本文介绍了基于云模型的分类方法,并通过实例提出一种云分类方法,从而实现对论域的软划分,且划分结果更符合人类的思维方式,能够反映从定量数值到定性概念间转换的不确定性。

关键词:云模型;分类;不确定性;1、云模型及分类方法1.1、云模型李德毅院士从以自然语言中的概念为切入点,在模糊数学和概率理论的基础上了建立定性和定量转换模型——云模型,云模型不再强调精确的函数表示,而是利用期望Ex(Expected value)、熵En(Entropy)和超熵He(Hyper entropy)三个数字特征,通过特定构造的算法,形成定性概念与其定量表示之间的不确定性转换模型,主要反映概念中模糊性、随机性及其关联性。

利用云模型,可以从语言值表达的定性信息中获得定量数据的范围和分布规律,也可以把精确数值有效转换为恰当的定性语言值,从而构成不确定性知识表示模型。

1.2、分类最初的数据挖掘分类应用大多都是在这些方法及基于内存基础上所构造的算法。

目前数据挖掘方法都要求具有基于外存以处理大规模数据集合能力且具有可扩展能力。

主要有以下几种分类方法:(1)决策树;(2)KNN法(K-Nearest Neighbor);(3)SVM法;(4)VSM法;(5)Bayes法;(6)神经网络。

其中,决策树归纳是经典的分类算法。

它采用自顶向下递归的各个击破方式构造决策树。

树的每一个结点上使用信息增益度量选择测试属性。

可以从生成的决策树中提取规则。

2、实例分析2.1、鸢尾花(Iris)Iris是一种鸢尾属植物,它有三个变种的植物。

每个花的特征用以下五种属性描述:1.萼片长度(厘米);2.萼片宽度(厘米);3.花瓣长度(厘米);4.花瓣宽度(厘米);5.类别(Setosa,Versicolour,Virginica).其中,前四种属性为条件属性,即AC={萼片长度,萼片宽度,花瓣长度花瓣宽度},属性“萼片长度”的取值V萼片长度={5.1,4.9,4.7,4.9,6.6,5.2,7.2,6.5,6.4}。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ａｂｓｔｒａｃｔ：Ｃｌｏｕｄｍｏｄｅｌｓｉｍｉｌａｒｉｔｙｍｅｔｈｏｄｉｓａｎｉｍｐｏｒｔａｎｔｍｅｔｈｏｄｏｆｏｂｊｅｃｔｓｉｍｉｌａｒｉｔｙａｎａｌｙｓｉｓ．Ｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｉｍａｇｅ
ｃｌａｓｓｉｉｃｆａｔｉｏｎ，ａｎｉｍａｇｅｃｌａｓｓｉｉｆｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｓｉｍｉｌａｉｔｒｙｏｆｃｌｏｕｄｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｍａｇｅｃｌｏｕｄｍｏｄｅｌｉｓｄｅｉｎｆｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｆｅａｔｕｒｅｏｆｔｈｅｃｌｏｕｄｍｏｄｅｌｉｓｃａｌｃｕｌａｔｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｖｅｒｓｅｃｌｏｕｄａｌｇｏｉｔｒｈｍ．Ｔｈｅｃｌｏｕｄ
ＧＵＯＳｏｎｇ
（ＣｏｌｌｅｇｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎ，ＨｕｌｕｎｂｕｉｒＵｎｉｖｅｒｓｉｔｙ，Ｈｕｌｕｎｂｕｉｒ，ＩｎｎｅｒＭｏｎｇｏｌｉａ０２１００８，Ｃｈｉｎａ）
ｌｉＤ。Ｇ。ＴＡ数Ｌ字ＶＩ视ＤＥ频Ｏ
文献引用格式：郭松．基于云模型相似度的图像分类方法研究［Ｊ］．电视技术，２０１７，４１（４／５）：２８— ３１．
ｔｇｌＵｉｌ
摘要：云模型相似度方法是对象相似性分析的一种重要方法。为提高图像分类的准确性，提出一种基于云模型相似度义，然后根据云模型方法的逆向云算法对图像云模型特征进行数字特征计算，最后引入云模型相似性测度方法对图像云模型相似性进行测算并确定图像分类。仿真结果表明，文章所提方法可准确地对图像进行
分类，且计算效率较高。关键词：图像分类；云模型；逆向云；相似性测度
Ｒｅｓｅａｒｃｈｏｎｉｍａｇｅｃｌａｓｓｉｉｃｆａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｃｌｏｕｄｍｏｄｅｌｓｉｍｉｌａｒｉｔｙ
ｍｏｄｅｌｓｉｍｉｌａｉｔｒｙｍｅａｓｕｒｅｉｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅｓｉｍｉｌａｉｔｒｙｏｆｉｍａｇｅｃｌｏｕｄｍｏｄｅｌａｎｄｄｅｔｅｒｍｉｎｅｓｔｈｅｉｍａｇｅｃｌａｓｓｉｉｃｆａｔｉｏｎ．Ｔｈｅｓｉｍｕ－ｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｃｌａｓｓｉｆｙｔｈｅｉｍａｇｅａｃｃｕｒａｔｅｌｙ，ａｎｄｔｈｅａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｅｉｃｆｉｅｎｃｙ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｃｌｏｕｄｍｏｄｅｌ；ｒｅｖｅｒｓｅｃｌｏｕｄ；ｓｉｍｉｌａｒｉｔｙｍｅａｓｕｒｅ
…
…
ＧＵＯＳ．Ｒｅｓｅａｒｃｈｏｎｉｍａｇｅｃｌａｓｓｉｉｆｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｃｌｏｕｄｍｏｄｅｌｓｉｍｉｌａｒｉｔｙ［Ｊ］．Ｖｉｄｅｏｅｎｇｉｎｅｅｒｉｎｇ，２０１７，４１（４／５）：２８— ３１
中图分类号：ＴＰ３９１．４文献标志码：ＡＤＯＩ：１０．１６２８０／ｊ．ｖｉｄｅｏｅ．２０１７．ｈ４．００６
基于云模型相似度的图像分类方法研究
郭松
（呼伦贝尔学院传媒学院，内蒙古呼伦贝尔０２１００８）