遥感分类中的一些关键问题完整版

遥感分类中的一些关键问题1，时间维特征的应用2.

机器学习的问题3.

多源信息融合的问题4.

最新进展遥感信息提取主要数据源

低分辨率MODISMODIS数据36个波段、

分辨率250米、500

米和1000米，每天都有更新（高时间分辨率）。可获取多级标准产品。

ETM，HJ，SPOT，GF1，ZY3等（30米，

16-15米，8米，5米等多光谱数据）ETM/TM（6+1+1波段）其它多数4个波段

更高空间分辨率影像GF2，商业卫星等（全色为主，也可融合为

RGB彩色影像）2影像分割对象分类系统训练样本未分类分类结果多维特征空间多维特征空间类标注+分类器学习机影响

提取精度

的因素影响

信息提取精度

的因素1.

影像分割的有效性（能否抓住真实地物边界）

2.

特征有效性

（对类型区分是否有效）3.

训练样本的有效性（错误标注的比例）4.

机器学习算法

（学习与分类的效果）5.

信息源的局限

（多传感器信息融合）时间维特征的拓展

MODIS

NDVI

时序分析

Landsat

TM

+

MODIS时间序列融合

多时相Landsat

8

影像的联合分类7时间序列重

建方法研究MODIS

NDVI时间序列重建研究基于MODIS

8d合成数据，由于云、气溶胶以及地物的双向性反射造成

NDVI值降低，这些干扰使得植被指数时间序列曲线出现不规则波动，直接影

响了植被指数时间序列分析。利用Harmonic

Analysis

of

NDVI

Time-Series

（Hants）滤波重构NDVI时序曲线。9阈值去除方法滤波方法函数拟合方法频域变换方法傅立叶变换、小波变换、HANTSANN、非对称高斯函数拟合最大值合成法、中值迭代滤波

、S-G滤波最佳指数斜率提取方法（BISE）

时间序列重构方法综述1011

结合野外调查样本中各作物的NDVI时序曲线，计算各

作物时序NDVI曲线平均值，并以此作为参考曲线。

选

取欧式距离作为相似性度量的指标，通过对比待分象元

时序NDVI曲线与参考曲线的相似性，对黄河三角洲地

区主要农作物——小麦、玉米、棉花进行分类。12

主要农作物种植信息的提取对分类结果进行面积统计和空间分布精度检验：小麦、棉

花、玉米的面积提取精度分别达到99.53%，

96.58%

，

87.41%。空间匹配总体精度达86.9%。13141516171819202122第五讲遥感分类中的一些

关键问题1，时间维特征的应用2.

机器学习的问题3.

多源信息融合的问题4.

最新进展二

智能解译中的机器学习问题

机器学习算法对比研究：分析不同机器学习算法，对比其在影像对象分类中的

适应性，寻找合适的算法

影像对象分类的样本筛选1.

机器学习算法对比研究

贝叶斯网络

支持向量机

BP神经网络

决策树CART算法

决策树C5.0算法34贝叶斯Vs.MLC35

如果可以将类条件密度参数化，则可以显著

降低难度。

例如：P(x

|

i)的正态性P(x

|

i)

~

N(

i,

i)

用两个参数表示将概率密度估计问题转化为参数估计问题。

估计

最大似然估计

(ML)

和贝叶斯估计；

结果通常很接近,

但是方法本质是不同的。36

最大似然估计将参数看作是确定的量，只是其值是

未知!

通过最大化所观察的样本概率得到最优的参

数—用分析方法。

贝叶斯方法把参数当成服从某种先验概率分布的随

机变量，对样本进行观测的过程，就是把先验概率

密度转化成为后验概率密度，使得对于每个新样本，

后验概率密度函数在待估参数的真实值附近形成最

大尖峰。

在这两种方法中，我们都用后验概率P(

i

|

x)表示

分类准则!37•贝叶斯估计

最大似然估计中

被假定为固定值

在贝叶斯估计中

是随机变量•类条件密度

目标:

计算

P(

i

|

x,

D)假设样本为D，贝叶斯方程可以写成

：38

先验概率通常可以事先获得，因此每个样本只依赖于所属的类，有：即：只要在每类中，独立计算

就可以确定x的类别。

因此，核心工作就是要估计39BP神经网络

BP算法基本原理利用输出后的误差来估计输出层的直接前导层的误差，再

用这个误差估计更前一层的误差，如此一层一层的反传下

去，就获得了所有其他各层的误差估计。三层BP网络40y

f

(

net

)

11

e

net1

1

2

2n

n

激活函数

必须处处可导一般都使用S型函数

使用S型激活函数时BP网络输入与输出关

系

输入

输出net

x

w

x

w

...

x

w411

11

e

(1

e

)f

'(

net

)

-net

net

2

y

(1

y

)输出的导数根据S

型激活函数的图形可知,对神经网络进行训练，应该将net的值尽

量控制在收敛比较快的范围内42

学习的过程：

神经网络在外界输入样本的刺激下不断改变网

络的连接权值,以使网络的输出不断地接近期

望的输出。

学习的本质：

对各连接权值的动态调整

学习规则：

权值调整规则，即在学习过程中网络中各神经

元的连接权变化所依据的一定的调整规则。43将误差分摊给各层的所有

单元－－－各层单元的误

差信号修正各单元权

值

学习的类型：有导师学习

核心思想：

将输出误差以某种形式通过隐层向输入层逐层反传

学习的过程：

信号的正向传播误差的反向传播44决策树CART

CART采用一种二分递归分割的技术，将当前

的样本集分为两个子样本集，使得生成的决策树的

每个非叶子节点都有两个分支。

CART算法生成的决策树是结构简洁的二叉树。45决策树体现了对样本数据的不断分组过程

如何划分训练记录？如何表示属性测试条件？如何确定最佳划分？如何构建测试条件效果最好的树？46

决策树算法核心问题：第一

决策树的生长利用训练样本集完成决策树的建立过程

第二

决策树的剪枝利用测试样本集对所形成的决策树进行精简47如何确定最佳划分贪婪法：根据子女结点类分布的一致性程度来

选择最佳划分度量结点的不纯度Gini熵误分类误差482不纯度度量——GINI

对于一个给定的结点t：GINI

(t

)

1

j[

p(

j

t

)]p(

j

t

)是结点t中类j的相对频率最大值：(1

-

1/nc)，记录在所有类中等分布

最小值：0，所有记录属于同一个类49一递归划分自变量空间训练集tid有房者婚姻状况年收入拖欠贷款者12345678910是否否是否否是否否否单身已婚单身已婚离异已婚离异单身已婚单身125K100K70K120K95K60K220K85K75K90K否否否否是否否是否是如何以递归方式建立决策树？50单身或已婚离异否61是21单身已婚离异否241是201Gini(t1)=1-(2/4)²-(2/4)²=0.5Gini(t2)=1-(0/4)²-(4/4)²=0Gini(t3)=1-(1/2)²-(1/2)²=0.5Gini=4/10×0.5+4/10×0+2/10×0.5=0.3

Gini(t1)=1-(6/8)²-(2/8)²=0.375Gini(t2)=1-(1/2)²-(1/2)²=0.5单身或离异已婚否34是30Gini=8/10×0.375+2/10×0.5=0.4

Gini(t1)=1-(3/6)²-(3/6)²=0.5Gini(t2)=1-(4/4)²-(0/4)²=0

Gini=6/10×0.5+4/10×0=0.3Gini(t1)=1-(5/6)²-(1/6)²=0.2778Gini(t2)=1-(2/4)²-(2/4)²=0.5Gini=6/10×0.2778+4/10×0.5=0.3667离异或已婚单身否52是1251拖欠贷款者=否拖欠贷款者=是拖欠贷款者=否拖欠贷款者=否拖欠贷款者=是拖欠贷款者=否拖欠贷款者=否拖欠贷款者=是拖欠贷款者=否拖欠贷款者=否决策树(Hunt算法)有房者是否有房者是否婚姻状况单身离异年收入<80K

≥80K已婚有房者是单身离异否婚姻状况已婚前剪枝：停止生长策略-事先指定决策树生长的最

大深度后剪枝：在允许决策树得到最充分生长的基础上，

再根据一定的规则，自下而上逐层进行剪枝。剪枝当分类回归树划分得太细时，会对噪声数据产

生过拟合作用。因此我们要通过剪枝来解决231剪枝方法最小误差剪枝代价复杂性悲观误差剪枝

规则获取选取Landsat

TM5影像和这个地区对应的DEM数据，影像和DEM

经过了精确配准。规则如下描述：Class1（朝北缓坡植被）:NDVI>0.3,

slope<20,

aspect<90

and

aspect>270Class2（非朝北缓坡植被）：NDVI>0.3,

slope<20,

90<=aspect<=270Class3（陡坡植被）：NDVI>0.3,

slope>=20,Class4（水体）：NDVI<=0.3,

0Class5（裸地）：NDVI<=0.3,

b4>=20Class6（无数据区，背景）:

NDVI<=0.3,

b4=055

也可以按照二叉树描述方式：第一层，将影像分

为两类，NDVI大于0.3，NDVI小于或等于

0.3；第二层，NDVI高的，分为坡度大于或等

于20度和坡度小于20度。以此往下划分。5657试验准备数量最多的：44

养殖水面、12

旱地和53

工矿用地，数量最少的类型是：63

裸地、64

其他未利用地和21

有林地。

实验区的影像对象共2063

个抽取一部分样本作为训练样本，另外的样本作为独立测试样本。抽样采用

分层随机抽样，每种类型抽取50%的样本数量。为了防止样本数量在不

同类型之间相差太大，设置训练抽样的最大样本量为100。实验中共抽取

了603

个对象作为训练样本，剩下的1460

个对象作为测试样本。5859分类器训练与参数优选

Bayes贝叶斯网络TAN_BN60.0%54.3%

贝叶斯网络不同网络结构的贝叶斯TAN_BN

vs

MB_BN（Tree

Augmented

Network

Bayes

Network）

(Markov

Blanket

Bayes

Network)训练样本精度测试样本总体精度贝叶斯网络MB_BN

76.8%

46.7%60SVM

参数优选

SVM

核函数

松弛变量γ

惩罚系数C

RBF

0.5

20061BP神经网络

参数优选

BP

神经网络

选择3层网络结构

最佳的隐藏节点数：3BPNN隐藏层节点数训练样本精度(%)测试样本精度(%)2

52.9

68.423

60.03

73.154

65.51

70.145

66.0

70.896

65.17

67.4762决策树CART

参数优选460.752.1666.362.6869.557.91269.557.9

根节点以下层数：

5CART树根节点以下层数训练样本精度(%)测试样本精度(%)5

64.34

64.77

69.5

57.910

69.5

57.914

69.5

57.963决策树C5.0算法

参数优选

剪枝程度CF参数控制过拟合

增强学习

Boosting

fold

构建多分类器

0.2

20641

五种机器学习算法对比分类精度

(%)训练样本测试样本10098.18806060.0554.3285.5771.23分类精度并不高

73.1564.34

64.760.0367.5340200BN

SVM

BPNN

CART

C5.0机器学习算法651

机器学习算法对比

小结

贝叶斯网络和CART决策树算法不适合影像对

象分类；SVM，BP神经网络，C5.0算法的分

类适应性相对较好

使用常规方法，土地利用/覆被的二级类分类

精度较低（70%），如何能够提高精度呢？662

样本筛选

——如何选择样本？随意性强，不稳定，且容易漏掉典型的对象样本稳定性好;但易选择多余的

“非典型”样本

样本选择方式：(1)

从分割对象中手工选取样本(2)

从已有解译数据中自动选取样本67样本“典型性”

养殖水面地块（解译）是由池塘和塘基组合而成；塘

基和池塘水面均会被分割出来

塘基的光谱特征：植被、裸土“非典型”池塘水面光谱特征：水体——“典型”从分类角度讲，

非典型样本可看做是噪声，

会对机器学习造成干扰发展有效的样本筛选机制十分必要68哪些样本是非典型的？

通过实际应用中的影像分析发现：由于线状地物（道路与河渠）已经使用其他

方法提取，剩余的影像对象中的“长条形”对象

可以认为是“非典型的”69影像对象的形状计算

长度

宽度

长宽比70基于形状特征的样本筛选

非典型样本筛选

Length

/

width

6

or

width

3

and

area

600对象类型对象个数对象数比例对象面积像元数比例长条形对象方块形对象626142730.5%69.5%12334496979411.3%88.7%71样本筛选对分类精度的影响方块形测试样本分类精度

(%)样本筛选

不使用样本筛选8077.37573.0875.357070.1368.9268.4365605550SVM

NN

C5.0分类器72第五讲遥感分类中的一些

关键问题1，时间维特征的应用2.

机器学习的问题3.

多源信息融合的问题4.

最新进展三

多源信息融合

数字地形信息

TM/ETM/HJ-1卫星遥感信息

MODIS

NDVI时间序列遥感信息1

融合数字坡度信息without

slopewith

slope测试样本精度

(%)8075.3578.4972.5474.1676.6577.62706050403020100C5.0

BPNN

SVM分类器752

融合ETM与HJ卫星多时相遥感信息

存在的困难：

夏季影像云覆盖

云覆盖地区数据缺值问题

解决的方法：

复合相同等级的多种数据源(TM/ETM,

HJ-1,CBERS等)

有缺值情况(云区)的影像对象特征计算方法762010年8月9

ETM2010年8月4

HJ-1ETM和HJ卫星影像

联合去云云检测云检测清晰区单时相云区云区

云区判定ETM影像HJ影像判定云区判定结果78ETM和HJ卫星影像

联合去云NDVI计算NDVI计算清晰区单时相云区云区NDVI分区域填充NDVI纠正参数估计

数据级融合ETM影像HJ影像NDVI融合结果79两景影像辐射配准VI_ETM采样点二次拟合Equationy

=

Intercept

+B1*x^1

+

B2*x^20.40.20.0-0.2-0.4Number

of

Points12Residual

Sum

of

Square0.0084Adj.

R-Square0.99192ValueStandardIntercept-0.256130.01322B10.827940.03645B20.37620.08868-0.4

-0.2

0.0

0.2

0.4

0.6VI_HJ80联合去云的结果81缺值情况下的对象属性计算(1)向下分割，将对象分割为有值区和无值区

(2)如果有值区的面积>30%，则用有值区的均值作为整个对象的特征值82对比信息融合前后的分类精度测试样本精度

(%)without

ETM

VIwith

ETM

VI8075.3578.0572.5474.5976.6578.05706050403020100C5.0

BPNN

SVM分类器833

融合MODIS时间序列数据

MODIS

NDVI时间序列重建

典型土地利用/覆被类型的NDVI时间序列

特征分析

提取MODIS

NDVI季相特征参数

融合MODIS

季相特征属性

效果评价84(1)

MODIS

NDVI时间序列重建-4MODIS

NDVI

(10

)水田.原始

遥感反演得到的NDVI时间序列由于受各类噪

声干扰，在某些时相上精度较低

序列重建方法：

Savitzky-Golay(SG)滤波法

非对称性高斯函数拟合法(AG)

双Logistic函数拟合法(DL)90008000700060005000400030002000100000

2

4

6

8

10

12

14

16

18

20

22

24time

index85-4MODIS

NDVI

(10

)-4-4-4MODIS

NDVI

(10

)MODIS

NDVI

(10

)MODIS

NDVI

(10

)水田.原始AGSGDL900080007000600050004000300020001000090008000700060005000400030002000100000

2

4

6

8

10

12

14

16

18

20

22

24time

index0

2

4

6

8

10

12

14

16

18

20

22

24time

index900080007000600050004000300020001000090008000700060005000400030002000100000

2

4

6

8

10

12

14

16

18

20

22

24time

index0

2

4

6

8

10

12

14

16

18

20

22

24time

indexMODIS

NDVIMODIS

NDVIMODIS

NDVIMODISNDVI(2)典型覆被类型

序列特征分析红树林湿地

红树林湿地水田水田水田养殖养殖旱地旱地旱地旱地900080007000600050004000300020001000090008000700060005000400030002000100000

2

4

6

8

10

12

14

16

18

20

22

240

2

4

6

8

10

12

14

16

18

20

22

249000800070006000500040003000200010000time

index9000800070006000500040003000200010000time

index0

2

4

6

8

10

12

14

16

18

20

22

24time

index0

2

4

6

8

10

12

14

16

18

20

22

2487(3)

如何利用modis

时间序列信息

一种简单的方法：将23个时相的数据全部输入，融合到对象特征计算

缺点：(1)

效率低，23个通道的MODIS数据全部重采样为

高分数据，大大增加了系统负担(2)

特征冗余度高，且特征之间相关性大，影响分类

效果

我们的做法：特征降维，提取少数反映季相特征的参数88(3)提取MODIS

季相特征参数MODIS

NDVI水田水田水田

季相特征指标：modis_VI_min：1-6时相中最低值

modis_VI_max：

10-18时相中最高值

modis_diff：极大与极小之差90008000700060005000400030002000100000

2

4

6

8

10

12

14

16

18

20

22

24time

index89(4)融合MODIS

季相特征的分类测试样本精度

(%)without

MODIS

VIwith

MODIS

VI8075.3578.8872.5474.7376.6578.88706050403020100C5.0

BPNN

SVM分类器904

不同组合模式下的分类比较

四种组合模式：slope+ETMslope+MODISMODIS+ETMslope+ETM+MODIS914

不同特征组合模式下的分类比较测试样本精度

(%)normalslope+ETM_VIslope+modis_VIETM+modis_VIslope+modis_VI+ETM_VI908580757065605550总体精度提高了约10%C5.0

BPNN

SVM分类器92边界模糊，

季相性很强季相性较强几何边界非常

明显的MODIS低空高时ETM等中空多光谱高分

高几何精度其他多专题数据基于知识规则的多源信息多源信息的融合-时空信息复合模型时空复合模型低辅助中高辅助中边界较清楚，多种地物类型低中辅助高地形地貌+地

带分布知识重点目标+

场景分类分层主体信息（水体、

居民点）与道路、田埂

等边缘信息综合划分高分影像LUCC信息提取总思路：分区处理、多源信息、知识辅助生态用地山区为主多光谱影像+时序信息

热量、地貌、地形农业用地

丘陵平原台地高分+多时相土壤、坡度、灌溉、

地块（田埂）、物候城镇用地平原为主高分+道路

（纹理、结构、场景）

精细结构（类型组合）典型目标课后思考题1，目视解译的基本要素和解译的主要原则是什么？

论述它和计算机自动解译的特征及策略如何对应的？

2，目前国际上土地覆被分类系统主要有哪几种？试

选其中一种描述其主要数据源和分类的技术方法和流

程。3，请详细说明遥感图像分类方法中监督与非监督分

类各具代表性的一种方法。4，请描述面向对象分类方法的主要步骤，以及你是

如何认识分割最优尺度问题的？5，遥感信息提取中，你能简单设计一个多源信息综

合应用的方案策略吗？95第五讲遥感分类中的一些

关键问题1，时间维特征的应用2.

机器学习的问题3.

多源信息融合的问题4.

介绍最新进展高空间分辨率遥感影像地物分类MECHOMRF

分类器TV+

投票法方差先验信息面向对象分析：光谱-空间特征融合光谱均值光谱特征提取空间范围分类空间特征提取纹理对象几何特征97IKONOS影像地物分类面基向于对像象素的地物目标识别98经过近十年的研究，基本完成了从面向像素的分类到

面向对象的过渡；但高分辨率遥感影像的语义挖掘是否就此

终结？是否还可挖掘出更高层次的语义信息？QuickBird影像地物分类面基向于对像象素的的地地物物目目标标识识别别99IKONOS影像的场景信息100商业区居民区2009年武汉地区IKONOS多光谱影像和

全色影像GS融合后的多光谱影像（1米）QuickBird影像的场景信息101简单地物混合而成的高层场景语义信息在高分辨率遥感

影像上有清晰的展现。但由于上个十年在技术和数据上

的不够成熟，无法进行场景语义信息的自动提取。商业区居民区2002年武汉地区QuickBird多光谱和

全色影像GS融合后的影像（0.6米）高空间分辨率

遥感影像商业区居民区工业区高层语义信息地物目标层1.

地物目标识别技术的局限地物目标识别高层语义信息提取语义鸿沟102语义鸿沟2.

底层特征到高层语义之间的语义鸿沟

底层特征到高层语义场景的语义鸿沟

高层语义地物目标建模的复杂度底层数据特征103高分辨率遥感影像2.

底层特征到高层语义之间的语义鸿沟居民区工业区水域植被商业区语义场景场景标注的影像居民区场景识别工业区商业区植被场景标注水域1043

场景理解的关键技术场景分类地物目标识别中高层特征提取地物目标分布

特征特征编码或表达主题模型特征学习……

场景识别的方法（有地物目标先验）（无地物目标先验）105主题模型—词袋模型Bag

of

visual

words词袋模型最先是由Josef等基于自然语言处理模型而提出

的。类比一篇文章由很多文字

(textual

words)

组合而

成，如果將一張图片表示成由许多

视觉单词（visual

words）

组合而成，就能将过去在文本检索（text

retrieval）领域的技巧直接利用在图像检索（image

retrieval）中，以文字检索系统现在的效率，图像表示

的“文字化”也有助于大规模(large-scale)图像检索系

统的效率。106与文本文档进行类比BoVW模型介绍

107BoVW模型介绍视觉词典生成sift描述子

生成视觉单词

视觉单词直方图108图像库局部特征描

述子集合视觉词典BoVW模型介绍

sift聚类109BoVW模型介绍图像视觉单词直方图生成过程110BoVW模型介绍

(i)

自动检测特征兴趣的区域/点；

(ii)

计算该特征区域/点的描述子；

(iii)

利

用

视

觉

词

典

(visualvocabulary)

将

特

征

描

述

子

映

射

为

视

觉单词；

(iv)

统计每个visual

word在图像中

的出现频率，生成视觉单词直方图。111BoVW模型介绍

3.1

关键区域/点检测

3.1.2

DoG

检测子检测高斯差分尺度空间的局部极值点

区

域

。

该

检

测

子

适

合

发

现

斑

状

结

构

（

blob-like

structures)

。

另

外

，

DoG

点

检

测

子

目

前

在

各

类

应

用

中

性

能

很

好

，

能

够

比

其

他

检

测

子

运

算

速

度

更

快

，

同

时

根

据

压

缩

性

（

检

测

的

特

征

点

数更少）。112BoVW模型介绍

3.1

关键区域/点检测

3.1.3

Hessian-Laplace

检测子与

DoG

检

测

近

似

，

但

是

在

尺

度

空

间

能

获

得

更

高

的

准

确

度

，

并

且

在

尺

度

选

择

上

的准确度也高于Harris-Laplace

。113BoVW模型介绍

3.1

关键区域/点检测

3.1.4

显著区域（Salient

regions）

检测子

3.1.5

Maximally

stableextremal

regions

(MSERs)114BoVW模型介绍

3.2

局部描述子——SIFT1999

年

British

Columbia

大

学

大

卫

.

劳

伊

（

David

G.Lowe

）

教

授

总

结

了

现

有

的

基

于

不

变

量

技

术

的

特

征

检

测

方

法

，

并

正

式

提

出

了

一

种

基

于

尺

度

空

间

的

、

对

图

像

缩

放

、

旋

转

甚

至

仿

射

变

换

保

持

不

变

性

的

图

像

局

部

特

征

描

述

算

子

－

SIFT

（

尺

度

不

变

特

征

变

换

）

，

这

种

算法在2004年被加以完善。115BoVW模型介绍

3.2

局部描述子——

sift

3.2.1

sift的特点

独

特

性

好

，

信

息

量

丰

富

，

适

用

于

在

海

量

特

征

数据库中进行快速、准确的匹配。多

量

性

，

即

使

少

数

的

几

个

物

体

也

可

以

产

生

大

量SIFT特征向量。116BoVW模型介绍

3.2

局部描述子——

sift

3.2.1

sift的特点(cont.)

经

过

优

化

的

SIFT

算

法

可

满

足

一

定

的

速

度需求。可

扩

展

性

，

可

以

很

方

便

的

与

其

他

形

式

的特征向量进行联合。117BoVW模型介绍

3.2.3

sift算法主要步骤

b)

检测尺度空间极值点118BoVW模型介绍

3.2.3

sift算法主要步骤

C)

精确定位极值点

D)

为每个关键点指定方向参数梯度直方图119BoVW模型介绍

三

关键步骤

3.2.3

sift算法主要步骤

e)

关键点描述子的生成120BoVW模型介绍Sift检测效果图121BoVW模型介绍

3.3

视觉单词的产生

3.3.1

聚类方法

最

常

用

、

最

简

单

的

方

法

是

K_means

，

其他还有x_means,层次聚类等方法。

3.3.2

权重机制TF

、

TF-IDF

（

term

frequency

and

term

frequency-inverse

document

Frequency

）

、

binary

weighting.122BoVW模型介绍

3.3

视觉单词的产生

3.3.3软

权重方法(soft_weighting)

3.3.4

停词(stop

word)消除

Sivic

and

Zisserman

认为

图

像

中

最

常

见

的

视

觉

单

词

也

是

停

词

，

可以从词典中删除。但目前没有实验表

明删除视觉词典中的停词后有助于分类

性能提升。123BoVW模型介绍

3.3

视觉单词的产生

3.3.5

视觉单词的选取

五种特征选取评判准则：

i)

document

frequency

(DF)表

示

包

含

某