图像分类是计算机视觉领域的研究热点之一,也是图像处理的研究基础阶段。很多研究者提出的图像分类算法主要依赖于图像特征的提取技术和分类器的构造方法。通常用于提取图像特征的方法主要是基于图像的低层视觉特征,如图像的颜色、纹理和形状等等。支持向量机(Support Vector Machine,SVM)具有监督学习能力和强大的泛化能力,是大部分学者研究图像分类时的首选之一。虽然已经有很多种基于多特征融合的图像分类算法,但仍存在一些问题需要解决,比如图像中存在噪声和冗余信息,导致提取出的特征不能很好的表征图像信息;BT-SVM多类分类器在解决分类问题时,容易构造“误差累积”现象,导致分类准确率不高。针对上述的问题,本文在查阅大量文献和与课题相关的资料的基础上,提出了基于多线索特征融合的图像分类算法,并将该算法应用于花卉图像分类上。本文主要的研究内容如下:(1)针对多特征融合方法不能很好地表征图像信息,提出了一种多线索特征融合方法。首先通过压缩原图像以生成压缩图,此压缩图像能够减少图像中的冗余信息。再通过全局和稀有性两方面生成的显著图融合得到最终的显著图,就全局显著性而言,通过加权线性方法融合l,a,b三个颜色通道的全局显著性,其权重是根据每个通道的平均显著值和三个颜色通道平均显著值之和比值生成的。而就稀有性而言,在图像中出现次数较少的像素的显著性设置为零。再对两个度量显著图进行加强融合,加入平均显著值作为调节因子,扩大图像前景与背景显著值的差距。接着通过在三个图像中提取HOG特征,最后进行拼接融合,该融合特征向量能更好的表征图像信息。(2)针对OVO-SVM分类器和OVR-SVM分类器需要构造较多的分类器数量,以及BT-SVM多类分类器会导致“误差累积”现象,本文采用了一种DBT-SVM多类分类器。DBT-SVM多类分类器采用近似完全二叉树的生成策略和聚类中的类距离法,不仅能使二叉树的结构达到最理想的完全状态,而且又能优先分离出最容易分离的类别。(3)在Caltech101与17 Category Flower数据集上对本文算法进行了验证,通过不同实验结果对比,本文算法可以有效提高分类准确率,而且在花卉图像分类中的应用也具有一定的优势。