随着互联网的飞速发展,图像数量呈爆炸式增长。针对海量图像进行分类和管理已经成为新的研究热点,其目标是将特定的图像归类到某一特定的语义类别之中。近年来,视觉词袋模型因其简单高效的特点,在图像分类领域取得了很多的成果。但是它仍然存在一些问题,主要存在于图像视觉单词特征的构建以及图像局部区域的空间位置关系等关键部分之中。本文对基于视觉词袋模型的图像分类方法展开了深入的研究,针对视觉词袋模型的关键步骤进行了改进,提高了图像分类准确率。全文主要的研究内容如下:1.阐述了图像分类技术的研究背景和现状。针对视觉词袋模型及其在图像分类领域的应用进行了深入的分析研究,包括其中的重要理论与关键技术。详细描述了图像特征提取、视觉词典构建与特征编码以及分类器算法,阐述了若干经典算法的基本原理,并分析了这些算法的特点。2.传统的视觉词袋模型无法区分图像前景和背景,忽视了图像特征之间的关系。另外通常采用无监督的聚类算法生成视觉单词,并且使用硬分配方式进行特征编码,难以将局部特征与具体的语义内容相关联,存在量化误差。本文结合图像感兴趣区域和特征量化编码,提出一种优化的视觉词袋模型图像分类方法。算法首先基于网格的分块策略将图像分割成块,采用Shi-Tomasi角点检测和显著性区域提取方法,得到图像的感兴趣区域。接下来,在图像感兴趣区域上提取SIFT特征,能够消除图像复杂背景的干扰。在图像局部特征量化编码阶段,采用软分配策略进行特征编码并结合卡方拟合检验方法进行特征二次选择。实验结果表明,本文算法取得了良好的分类效果。3.在传统视觉词袋模型中,采用视觉单词的统计特征来表示图像内容,忽略了视觉单词之间的空间信息,导致图像特征表示的表达能力和区分性不足。本文采用视觉单词全局拓扑结构策略和Delaunay三角剖分方法,提出了一种改进的视觉词袋模型图像分类方法。首先,在图像的显著性区域上提取特征并构建视觉词典,在一定程度上避免复杂背景信息的干扰。其次,通过全局拓扑结构约束和Delaunay三角剖分,融入视觉单词的全局与局部空间信息,更加精确的表示图像视觉特征。最后,根据不同阶数的视觉单词特征核函数,应用SVM进行图像分类。在图像分类实验中,与传统视觉词袋模型以及其它改进算法进行了对比,实验结果表明,本文算法取得了更好的分类准确率。