基于粗糙集的图像分类方法的研究

论文摘要

图像分类是信息处理的重要研究方向。本文对图像分类中所涉及的关键技术,包括图像特征提取,建立图像数据决策表,基于粗糙集理论的属性约简算法,规则约简算法,样本预测算法等内容进行了研究和探讨,最后通过实验与评估,获得了分类准确精度。粗糙集模型是由数学家Pawlak首先提出的一种用于处理模糊和不确定性知识的新型数学工具,随着对粗糙集研究的不断深入,粗糙集模型的局限性逐渐的显露出来,由于利用粗糙集处理的分类必须是完全正确或肯定的,这样致使大量有用信息在规则提取过程中丢失,于是,近年来许多学者从多方面对粗糙集模型进行推广,出现了变精度粗糙集模型、概率粗糙集模型、广义粗糙集模型、模糊粗糙集模型等。变精度粗糙集模型是在标准粗糙集模型中引入了正确分类率β,放松了对标准粗糙集模型近似边界的严格要求,增强了粗糙集模型的抗干扰能力和对新数据的预测能力。本文主要是基于变精度粗糙集模型及贝叶斯粗糙集模型,对图像分类问题进行了研究。全文首先介绍粗糙集理论研究概况,以及图像分类问题的研究现状,介绍标准粗糙集模型、信息系统、属性约简以及变精度粗糙集模型、贝叶斯粗糙集模型的基本概念。其次,主要讨论了基于颜色特征的图像分类问题,给出了常用的颜色空间及相互的转换方法,经典粗糙集分类模型的基础上利用变精度粗糙集模型,引入近似区分矩阵的概念,提出了一种基于颜色特征的图像分类模型及其分类算法,通过实例说明分类方法的有效性和可行性。再次,利用贝叶斯粗糙集模型,通过引入全局相对增益和贝叶斯区分矩阵,分别给出了两种属性约简算法,从全局相对增益的角度对属性重要度进行分析,并以此作为启发式信息给出贝叶斯粗糙集属性约简的启发式算法。引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的贝叶斯图像分类模型及其分类算法。实验结果表明贝叶斯粗糙集具有一定的实际应用价值,在图像分类问题上,贝叶斯粗糙集方法性能良好,分类准确和高效。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 图像分类问题的研究现状
• 1.2.1 图像特征提取的国内外研究现状
• 1.2.2 分类器的国内外研究现状
• 1.3 本文的知识简介
• 第2章 粗糙集理论介绍
• 2.1 粗糙集理论的基本概念
• 2.1.1 知识与知识库
• 2.1.2 不精确范畴,近似与粗糙集
• 2.1.3 知识约简
• 2.2 变精度粗糙集模型
• 2.3 贝叶斯粗糙集模型
• 第3章 基于颜色特征的图像分类相关知识
• 3.1 颜色的常用空间
• 3.1.1 RGB颜色空间
• 3.1.2 HSV颜色空间
• 3.2 颜色空间的转换
• 3.3 颜色特征的常用表示方法
• 3.4 图像分类模型
• 第4章 变精度粗糙集图像分类研究
• 4.1 图像的预处理
• 4.1.1 数据图像的规范化
• 4.1.2 颜色空间的转换
• 4.1.3 颜色的量化处理
• 4.1.4 图像颜色特征的提取
• 4.1.5 图像数据决策表的建立
• 4.2 图像数据决策表的处理
• 4.2.1 变精度粗糙集属性约简算法
• 4.2.2 决策规则约简算法
• 4.2.3 样品类别预测算法
• 4.3 算例分析与试验评估
• 4.3.1 算例
• 4.3.2 实验与评估
• 4.4 本章小结
• 第5章 贝叶斯粗糙集图像分类研究
• 5.1 贝叶斯粗糙集分类
• 5.1.1 贝叶斯粗糙集的性质
• 5.1.2 贝叶斯粗糙集属性约简
• 5.1.3 决策规则约简
• 5.1.4 样品类别预测
• 5.2 算例分析与实验评估
• 5.2.1 算例分析
• 5.2.2 实验与评估
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 全文总结
• 6.2 图像分类研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文