分類方法

分類方法很多種，其中有擷取影像中紋理、顏色等低階特徵後，

以此為基礎做為分類依據，這種方法又分成了分析全域影像以及區塊 影像兩種不同的分類方式。

而後的研究不再只拘限於低階特徵，語義建模(semantic modelling) 的概念開始被提出，開始考慮如何由影像的低階特徵連到到影像的高 階意涵，考慮物件(object)概念的特徵[8]。

2.2.1. 低階特徵(全域)

這個方法是較早期提出的方法，多以低階特徵的取樣為主，以提 取整張影像的邊緣紋理方向及色彩影像空間特徵進行分類，此方法需 要ㄧ些影像做為訓練樣本，將每張影像內容的特徵提取出來並以直方

圖表示，並且訓練成一組類別特徵向量，如圖 6 所示。

此方法的分類使用分層的概念，每一層依序計算每一種特徵的機率。

例如，先計算紋理特徵於類別的機率，接著紋理特徵的計算結果會影 響顏色特徵的機率計算，機率計算全程使用貝氏演算法計算機率以進 分類。

但此方法有一個缺點，每層計算的結果都會影響下一個特徵 計算的結果，當其中ㄧ個層級的計算出現錯誤時，計算的結果會使分 類的結果產生偏差導致分類的結果錯誤。

圖 6、以全域取得特徵值

2.2.2. 低階特徵(子塊)

除了以全域影像取得特徵值之外，為了保留更多的細節，提高分 類的效率，提出了對影像切割的概念，將整張影像切割為大小相同的 子區塊。

將整張影像切割成 16 個大小相等的區塊，對每個區塊進行計算，

取得紋理及顏色等特徵資料，將資料以直方圖的方式分別儲存，如圖 7 所示，此方法與全域低階特徵的不同點在於並非對整張影像做特徵 點計算，而是對分割後的區塊進行分別運算，所以會得到 16 組紋理 與顏色特徵的直方圖。

分類計算的部分，不再是以分層計算的方式進行，而是在各 個區塊以 K-NN 的演算法進行特徵分類計算，而整張影像的分類則由 這些區塊的分類結果，以多數決決定影像的分類。

圖 7、分子區塊取得特徵值

2.2.3. 語義物件(Semantic objects)

這個做法是把影像內容的物件先定義出來，此方法會定義標籤，

天空、森林、道路等標籤，接著放入影像，將整張影像分割計算後，

查看影像的內容分所分別對應到的標籤，以這些對硬的標籤內容來分 類此張影像所屬的分類，如圖 8 所示。

此作法已經分析了影像中的物件，但標籤由人工建立，且畫分較 為簡單，會將影像細節部分忽略，只能做簡單的分類。

圖 8、以標籤描述影像得出本圖屬於雪景分類 (a)原始影像(b)場景標籤(c)影像標籤化

2.2.4. 線上 Codebook 重新加權(Online Codebook Reweighting)

此作法為對 BoW 進行改善[9]，重新加權由 ScSPM 產生的 Codebook，使用配對限制(Pairwise Constraints)的方法進行分類模型的

訓練。

這個做法在產生 Codebooke 後，由下圖 9 所示，得到的 Codebook 並不完善，在進行配對限制後，以線的方式連相結並重新加權可以大 幅改善 Codebook 令分類更加準確，且此算法比傳統的演算法的速度 更加快速。

這方法有效的改善 ScSPM 的模型，但相對的運算量以及所能分類 的類別有限，無法進行多類別的分類。

圖 9、Online Codebook Reweighting 示意圖