基于LDA的图像语义分析

此处的LDA指Latent Dirichlet Allocation（隐狄利克雷分配），而非Linear Discriminant Analysis（线性判别分析），前者是一种主题生成模型，后者则是一种判别模型，而本实验使用的判别模型亦非后者，而是SVM判别模型，用的是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的LibSVM工具包。

实验流程：

1. 首先使用DenseSift算法从图片上选取合适的描述特征，每张图片取适量的patch块，每个块用128维向量表示；
2. 建立BOW（词袋）模型：对DenseSift提取的特征向量做k-means聚类，每一类代表一个Word，并进行归一化，从而建立字典；
3. 在词典表示图像的基础上建立LDA模型，使用Gibbs Sampling算法得到图像-主题矩阵即主题向量；
4. 利用得到的主题向量代替原先的图像词典表示，并与对应的标签一起训练SVM支持向量机；
5. 使用训练出的SVM分类器来识别测试集，并使用不同的SVM核函数进行对比实验。
6. 使用Spatial Pyramid Matching算法优化后再分类，与BOW模型对比

具体细节详见论文链接：
基于LDA的图像语义分析

参考：

建立图像BOW字典表示以及Spatial Pyramid Matching优化借鉴：
Bag of Words/Bag of Features的Matlab源码发布 | 备用链接
一个用BoW|Pyramid BoW+SVM进行图像分类的Matlab Demo | 备用链接
LDA实现借鉴了GibbsLDA++工具包：
GibbsLDA++: A C/C++ Implementation of Latent Dirichlet Allocation

LDA学习资料：

• Reading Note : Parameter estimation for text analysis 暨LDA学习小结
• LDA必读的资料
• july- 通俗理解LDA主题模型
• 七月算法-主题模型视频
• LDA理解以及源码分析