论文部分内容阅读
图像分类是模式识别领域中的重要研究内容,在科学研究和工程技术方面有着非常广泛的应用背景。纹理,作为一种广泛存在的图像模式,自然成为图像分类的重要研究课题。提取纹理特征是进行纹理分类的基础,在最近几十年内,人们已在纹理特征描述方面做了大量的研究工作,并取得了许多研究成果,但是目前大多数方法普遍存在一些缺陷,人们对纹理图像的分类至今也没有一套普遍适用的分析方法,适用性强且准确度高的分类方法还需要进一步研究探索。同时,在准确提取图像特征的基础上,如何能有效的对图像进行分类,关键在于分类器的设计。针对上述的问题,本文主要研究了图像的特征提取和分类器的设计,并提出了自己的新方法。(1)本文对基于多尺度几何分析的图像特征提取方法进行了研究。对于传统的基于子带系数能量测度特征提取的不足,在Contourlet变换的基础上,提出了基于广义高斯密度模型参数的特征提取方法。对于不同的图像,从特征的可分性差异进行了特征选择。本文提出的特征,是一种在低频子带采用能量测度全局特征,而在高频子带采用模型参数局部特征。选取了标准Brodatz纹理库图像进行大量的实验,通过实验结果,表明了本文的特征提取方法能够更好地表示图像的纹理信息,可以看出本文提出的特征提取方法和全部采用能量测度特征的方法相比,前者优于后者,对于图像分类达到了不错的效果。(2)本文研究了图像分类的另一个重点——分类器,并且将快速稀疏逼近最小二乘支持向量机(FSALS-SVM)用来进行图像分类,以前快速稀疏逼近最小二乘支持向量机仅是被用来做大规模的数据识别,如MNIST手写数字识别(包括60000个训练样本和10000个测试样本)。快速稀疏逼近最小二乘支持向量机是支持向量机(SVM)的改进,除了它继承了最小二乘支持向量机(LS-SVM)的优点外,还具备了稀疏性。在国际通用的Brodatz图像集上进行了实验,实验结果表明快速稀疏逼近最小二乘支持向量机(FSALS-SVM)的分类效果优于K近邻分类器(KNN)和支持向量机(SVM),具有较高的推广能力和鲁棒性,而且进一步验证了基于广义高斯模型参数特征方法的优异性。