cha2-1-图像分类概述

图像分类概述图像分类的概念01任务图像分类的意义02任务常用方法03任务学习目标掌握图像分类的基本概念和意义了解图像分类的常用方法1图像分类的概念1图像分类的概念图像分类，也称图像识别，是计算机根据已有的固定分类标签集合和图像所反馈的信息特征从标签集合中找出一个分类标签，并分配给该图像的视觉处理方法。譬如规定一个分类标签为猫和狗的集合，给计算机输入一张猫或狗的图片，通过判断其特征比如胡子，眼睛，嘴巴，耳朵等，从集合中找出一个分类标签，区分（识别）该图是猫还是狗。2图像分类的意义2图像分类的意义

图像分类是计算机视觉的核心任务，也是最为基础的任务，有着各种各样的实际应用。比如安防领域的人脸识别，交通领域的交通场景物体识别，互联网领域的相册自动归类等。

计算机视觉理论的奠基者，英国神经生理学家马尔认为，视觉要解决的问题可归结为“WhatisWhere”，即什么东西在什么地方，这里的“什么东西”就是图像分类要做的。图像分类的发展从最开始的10分类的灰度图像手写字体识别，到后来的10分类标签任务cifar-10及100分类标签任务cifar-100，再到后来的22000分类标签任务的ImageNet，图像分类模型伴随着数据集的增长，分类水准甚至已经超过了人类。图像分类在某些领域一定程度上为人类减轻了负担，改变了人的生活方式。3常用方法3常用方法图像分类方法大致分为两类，基于传统的分类方法和基于深度学习的分类方法。基于传统的分类方法思路比较简单，将图片转换为一维向量，再基于距离度量以判断向量间的相似性。显而易见，这种不带特征提取的朴素办法，丢掉了二维向量中最重要的四周相邻像素的信息。该种方法在比较干净的数据集上表现还行，一旦数据集噪声强度高，准确率会下降。常见传统方法的有KNN，SVM等。基于深度学习的分类方法常用的就是卷积神经网络，通过训练和更新卷积神经网络的参数使得网络能够分辨出未知图片的类别。卷积神经网络是有人工神经网络演变而来，在接下来的小节中将一一介绍人工神经网络和卷积神经网络的基本知识和实践，并使用卷积神经网络来完成图像分类的任务。3常用方法KNN：KNN算法就是把要分类的对象（例如一个特征向量）与训练集中已知类标记的所有对象进行对比，并由K近邻对分类对象进行判断为那个类别。这种方法的效果好，但是也有弊端，与K-means聚类算法一样，需要先预定设置k的值，k值的选择会影响分类的性能。此外这种方法要求整个训练集存储起来，如果训练集偏大，搜索就慢，训练集偏小，分类结果准确率也就低。对于大的训练集，采取某些装箱形式通常会减少对比的次数。3常用方法SVM支持向量机：SVM支持向量机是一类强大的分类算法，最简单的SVM通过在高维空间中寻找一个最优线性分类面，对于特征向量x的决策函数为：其中w是常规超平面，b是偏移量常数，阈值为0，有一类为正数或负数，求解带有标记

的最优化问题，从而找到决策函数的参数。常规解释训练集上某些特征向量的线性组合为：其中i是训练集中选出的部分样本，称为支持向量，它们可以帮助定义分类的边界。决策函数即变为：SVM