数字图像处理技术及应用 课件 7-图像分类技术

图像分类技术目录图像分类概述传统图像分类方法基于深度学习的图像分类迁移学习及其应用思考与讨论7.1图像分类概述图像分类旨在将图像分配到预定义类别中，是计算机视觉的核心任务。关键步骤：图像预处理：灰度化、尺寸调整、去噪、直方图均衡化特征提取：提取关键信息，影响分类器性能分类器设计：SVM、KNN、决策树等传统方法图7-1

一些常用的分类数据集示意图7.2.1支持向量机（SVM）监督学习算法，通过寻找最优超平面实现分类。核心理念：最大化边界，提高鲁棒性常用核函数：多项式、高斯、Sigmoid适用于中小规模数据集，对特征工程依赖强图7-2

SVM示意图7.2.2K最近邻方法（KNN）无监督学习算法，基于距离度量进行分类。优点：简单直观、无需训练、适用于多分类缺点：计算复杂度高、存储开销大、对K值敏感图7-3

KNN示例图7.2.3决策树基于树形结构的分类模型，通过递归划分实现分类。特征选择：信息增益、信息增益率易于解释，适用于结构化数据应用场景：医疗诊断、金融风控、推荐系统图7-4决策树示意图7.2.4随机森林集成学习方法，构建多个决策树并进行投票。高准确性、强泛化能力，抗过拟合应用领域：医学影像分析、文本分类、环境预测图7-5随机森林模型示意图7.3.1AlexNet：深度学习里程碑2012年ImageNet竞赛冠军，开启深度学习时代。5卷积层+3全连接层使用ReLU激活函数，缓解梯度消失首次采用多GPU训练、Dropout正则化图7-6

AlexNet架构图7.3.2VGGNet：深度堆叠的典范通过堆叠3×3卷积构建深层网络。VGG16、VGG19等版本结构简单、易于迁移，泛化能力强适用于特征提取与微调任务图7-7

VGG块结构示意图7.3.3GoogLeNet：Inception模块创新引入Inception模块，并行多尺度特征提取。减少参数量，提高计算效率

全局平均池化替代全连接层适用于移动端与资源受限场景图7-8

Inception模块结构7.3.4ResNet：残差连接突破深度限制通过残差块解决梯度消失问题，支持极深网络。ResNet-18、ResNet-34、ResNet-152等跨层连接，信息直达，训练稳定在ImageNet上表现优异，成为基准模型图7-9残差块结构对比7.4.1什么是迁移学习将已学知识迁移到新任务，提升学习效率与性能。人类类比：驾驶汽车→骑摩托车机器学习：源域→目标域应用场景：小样本学习、跨领域适应图7-10迁移学习示例图7.4.2迁移学习的必要性大数据vs少标注大数据vs弱计算有限数据vs泛化能力

普适模型vs个性化需求图7-11

普适化模型与个性化需求7.4.5深度迁移学习结合深度网络与迁移学习，实现高效知识迁移。单流结构：预训练+微调双流结构：共享层+分支任务

知识蒸馏：教师网络→学生网络

图7-12双流结构示意图7.4.6知识蒸馏将大模型知识压缩至小模型，保持性能的同时降低计算成本。教师网络（复杂）→学生网络（轻量）损失函数：L=L_task+λ·L_distill应用：模型压缩、边缘部署、移动端推理图7-20知识蒸馏原理图思考题与习题SVM的工程应用与特点？KNN中K值如何选择？决策树在图像分类中的应用？随机森林如何