用于人脸图像分类的聚类与贝叶斯网络

在基于内容的图像分类系统中，目标图像根据与查询的特征相似度进行排序（CBIR）。在本文中，我们提出了一种结合切线距离、k-means 算法和贝叶斯网络的新方法用于图像分类。首先，我们使用切线距离技术计算代表同一图像的多个切空间。目的是减少分类阶段的误差。其次，我们将图像分割成多个块。对于每个块，我们计算一个描述符向量。然后，我们使用 K-means 对包含颜色和纹理信息的低层特征进行聚类，为每张图像构建一个标签向量。最后，我们应用五种贝叶斯网络分类器变体（Naïve Bayes、Global Tree Augmented Naïve Bayes (GTAN)、Global Forest Augmented Naïve Bayes (GFAN)、针对每个类的 Tree Augmented Naïve Bayes (TAN) 和针对每个类的 Forest Augmented Naïve Bayes (FAN)），使用标签向量对人脸图像进行分类。为了验证可行性和有效性，我们将 GFAN 的结果与 FAN 以及其他分类器（NB、GTAN、TAN）进行了比较。结果表明，FAN 在整体分类准确率上优于 GFAN、NB、GTAN 和 TAN。