基于矩特征提取的图像识别算法研究

论文摘要

图像识别是近20年发展起来的一门模式识别技术,可将人的视觉认知和理解过程用现代信息处理技术和计算机技术来完成,它以研究根据提取图像的特征进行识别和分类为主要内容,广泛应用于文字识别、指纹识别、遥感、医学诊断、工业产品检测、卫星航空图片解释等领域。提取图像特征时,为使目标图像具有平移、旋转和比例不变性,可根据矩算法提取不变矩特征,包括Hu矩、Zernike矩和小波矩。Hu矩和Zernike矩都是在整个图像空间中计算,得到的是图像全局特征,容易受到噪声干扰。尤其当可用样本的数量较少时,选择最能表示图像的特征就显得非常重要。基于小波变换的小波矩能同时得到图像的全局特征和局部特征,更适合识别相似形状或者有噪声干扰的目标图像。在模式分类方面,可采用BP神经网络,但BP网络具有容易陷入局部极小点、收敛速度慢、识别率波动幅度较大等缺点;小波神经网络通过对BP网络结构的改进,解决了BP网络的收敛速度缓慢等问题,却具有初始化参数过程复杂、多维输入情况下计算量剧增等缺点。支持向量机（Support Vector Machine--SVM）是建立在统计学理论的VC维理论和结构风险最小化原理基础上的一门新兴学科,能较好解决局部极小点、高维数、非线性等实际问题。基于统计的图像识别方法（如模板匹配）只有在样本足够大时,性能才有保证。实际中有时难以提供大量样本,这样就可能因信息量不足而导致识别准确率和推广能力下降;神经网络作为分类算法时推广能力十分有限。为此本文提出一种小波矩结合支持向量机的目标识别算法,这种算法立足寻找现有样本信息下的最优解,适合分析小样本。为验证该算法的有效性,本文仿真实验是在计算机平台Windows Vista操作系统和MATLAB 7.8.0的环境下进行,将五类坦克,每类3幅,一共15幅坦克标准二值坦克图像为训练小样本,对在无噪声和有噪声干扰两种情况下的共300幅图像进行特征提取和分类识别,实验结果表明:在小样本情况下,小波矩结合支持向量机的算法具有较好的识别性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 课题研究的背景和意义
• 1.2.1 课题研究的背景
• 1.2.2 课题研究的意义
• 1.3 图像识别系统
• 1.4 论文的主要内容
• 第二章 图像的不变矩
• 2.1 引言
• 2.2 图像的几何矩
• 2.2.1 几何矩的定义
• 2.2.2 几何矩的物理意义
• 2.2.3 矩的变换
• 2.3 Hu 矩
• 2.3.1 图像的Hu 不变矩特征表示
• 2.3.2 Hu 不变矩特征的修正
• 2.3.3 Hu 不变矩的局限性
• 2.4 Zernike 矩
• 2.4.1 Zernike 矩的概念
• 2.4.2 Zernike 矩的旋转不变性
• 2.5 小波矩
• 2.5.1 小波多尺度分析的基本理论
• 2.5.2 具有旋转不变性的矩特征的一般表达式
• 2.5.3 基于三次B 样条小波的矩不变量
• 2.5.4 归一化与离散化处理
• 2.6 计算机仿真实验
• 2.7 本章小结
• 第三章 图像识别中的分类算法
• 3.1 引言
• 3.2 BP 神经网络
• 3.2.1 BP 神经网络的多层感知器模型
• 3.2.2 BP 网络的误差与权值调整
• 3.2.3 BP 算法流程
• 3.2.4 增加动量项的BP 算法
• 3.2.5 BP 神经网络的分类仿真实验
• 3.3 小波神经网络
• 3.3.1 小波神经网络的概述
• 3.3.2 小波神经网络的参数调整算法
• 3.3.3 小波神经网络的缺点
• 3.3.4 小波神经网络的分类仿真实验
• 3.4 支持向量机
• 3.4.1 支持向量机的理论基础
• 3.4.3 线性不可分支持向量机
• 3.4.4 多类支持向量机
• 3.4.5 支持向量机的分类仿真实验
• 3.4.6 支持向量机参数c和γ的选取
• 3.5 本章小结
• 第四章 基于小波矩和支持向量机的小样本坦克图像识别
• 4.1 引言
• 4.2 不变矩特征提取
• 4.2.1 Hu 矩特征提取
• 4.2.2 Zernike 矩和小波矩特征提取
• 4.3 分类算法仿真实验
• 4.3.1 支持向量机分类算法
• 4.3.2 BP 神经网络分类算法
• 4.3.3 小波神经网络分类算法
• 4.3.4 小波矩和支持向量机对噪声图像的识别
• 4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 附录五类坦克原图像与归一化图像
• 致谢
• 在读期间发表的论文