[论文解读] The Use of Self Organizing Map Method and Feature Selection in Image Database Classification System

Dian Pratiwi|arXiv (Cornell University)|Jun 1, 2012

Image Retrieval and Classification Techniques参考文献 9被引用 19

一句话总结

本文提出一种混合图像分类系统，结合自组织映射（SOM）与通过主成分分析（PCA）和潜在语义分析（LSA）进行的特征选择。系统对250幅彩色图像进行灰度转换、颜色直方图提取及降维处理后，聚类为五个类别；基于PCA的特征选择在100个分量下达到88%的准确率，优于LSA的74%。

ABSTRACT

This paper presents a technique in classifying the images into a number of classes or clusters desired by means of Self Organizing Map (SOM) Artificial Neural Network method. A number of 250 color images to be classified as previously done some processing, such as RGB to grayscale color conversion, color histogram, feature vector selection, and then classifying by the SOM Feature vector selection in this paper will use two methods, namely by PCA (Principal Component Analysis) and LSA (Latent Semantic Analysis) in which each of these methods would have taken the characteristic vector of 50, 100, and 150 from 256 initial feature vector into the process of color histogram. Then the selection will be processed into the SOM network to be classified into five classes using a learning rate of 0.5 and calculated accuracy. Classification of some of the test results showed that the highest percentage of accuracy obtained when using PCA and the selection of 100 feature vector that is equal to 88%, compared to when using LSA selection that only 74%. Thus it can be concluded that the method fits the PCA feature selection methods are applied in conjunction with SOM and has an accuracy rate better than the LSA feature selection methods. Keywords: Color Histogram, Feature Selection, LSA, PCA, SOM.

研究动机与目标

• 通过无监督学习技术提高图像数据库分类的准确性。
• 评估特征选择方法（PCA与LSA）对分类性能的影响。
• 确定使用SOM进行有效聚类时最优的特征数量（50、100、150）。
• 比较PCA与LSA在降维过程中保留判别性图像特征的能力。
• 验证结合SOM与特征选择在图像聚类任务中的有效性。

提出的方法

• 将输入的彩色图像转换为灰度图，以标准化图像表示。
• 提取颜色直方图为初始特征向量，每幅图像对应256维的特征空间。
• 应用主成分分析（PCA）与潜在语义分析（LSA）进行特征选择，将维度降低至50、100和150个分量。
• 使用学习率为0.5的自组织映射（SOM）神经网络，将图像分类为五个预定义的簇。
• 利用SOM的竞争学习机制，将高维特征向量映射到二维网格上以实现聚类。
• 通过比较预测的簇分配与真实标签来评估分类准确率。

实验结果

研究问题

• RQ1 基于PCA的特征选择与LSA在使用SOM提升图像分类准确率方面有何差异？
• RQ2 在该图像聚类系统中，最优特征数量（50、100、150）为何值时可最大化分类准确率？
• RQ3 通过PCA或LSA进行降维是否能保留足够的判别性信息以实现有效的图像聚类？
• RQ4 SOM与特征选择的结合是否能在无监督图像数据库分类中实现高准确率？
• RQ5 在图像聚类中，将PCA与LSA应用于颜色直方图特征时，其性能差异如何？

主要发现

• 当使用PCA选择100个特征时，获得了最高的88%分类准确率。
• 在相同聚类条件下，LSA-based特征选择的准确率较低，为74%。
• PCA在保留用于聚类的相关图像特征方面始终优于LSA，尤其在选择100个分量时表现更优。
• 使用150个特征并未显著提升准确率，相较于100个特征，表明超过某一阈值后收益递减。
• 当结合PCA-based特征选择时，SOM网络成功地将图像划分为五个不同的簇。
• 结果表明，对于该使用SOM的图像分类任务，PCA作为特征选择方法比LSA更有效。