二维形状表示及分类方法研究

论文摘要

图像的二维形状以其简单、高效、易用等特点成为图像表示的重要选择之一。目前基于二维形状的识别已被应用到很多领域,如目标识别,基于内容的图像检索,文字识别,医疗诊断等,都取得了较好的效果。二维形状识别作为模式识别的基本问题,至今仍未得到彻底的解决。其困难具体体现在以下两个方面:一是,在形状描述阶段,特征对形状的表述不足,存在信息缺失的问题;二是,在分类器设计时,形状本身的一些本质特性没有得到充分的利用,例如分层特性。针对以上问题,本文对二维形状表示及识别方法进行了研究,主要完成了以下的工作:（1）对现行二维形状表示及分类方法进行了分析,并总结了每类方法所针对的应用领域及其优缺点;（2）提出了结合主成分分析方法和最远点距离的二维形状傅立叶描述子,此方法首先利用主成分分析方法进行归一化,然后进行重采样,再提取采样点的最远点距离用于傅立叶变换得到形状描述子,实验表明此描述子能有效的提高形状的识别精度,而且有很好的鲁棒性;（3）建立了通过分层隐马尔可夫模型建模进行二维形状识别的方法,并利用遗传算法来优化模型的拓扑结构。在这一方法中结合改进的交叉、变异算子来优化结构,并用扩展的Baum-Welch算法来训练模型参数,实验表明这一建模的方法不仅能够很好地表示二维形状的层次特性,而且有效的提高了识别的效率和精度;（4）基于以上提出的方法,以MATLAB为仿真平台,实现了二维形状识别实验系统,并以Hand-tools、MPEG7-Set B等为数据集进行了实验,证实了这些方法的有效性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文研究工作及内容安排
• 第二章 二维形状表示及分类方法
• 2.1 二维形状表示方法
• 2.1.1 形状表示方法评价准则
• 2.1.2 形状表示方法分类
• 2.2 二维形状分类器设计
• 2.2.1 分类方法评价标准
• 2.2.2 贝叶斯分类方法
• 2.2.3 支持向量机
• 2.2.4 隐马尔可夫模型
• 2.3 本章小结
• 第三章 分层隐马尔可夫模型
• 3.1 模型结构
• 3.2 基本算法
• 3.2.1 推广的前向-后向算法
• 3.2.2 推广的Viterbi 算法
• 3.2.3 推广的Baum-Welch 算法
• 3.3 算法实现中的问题
• 3.3.1 多观察值序列训练
• 3.3.2 连续观察值序列训练
• 3.4 本章小结
• 第四章 结合PCA 和FPD 的二维形状傅立叶描述子
• 4.1 引言
• 4.2 形状特征
• 4.3 主成分分析与最远点距离
• 4.3.1 主成分分析
• 4.3.2 最远点距离
• 4.4 PCA 和FPD 相结合的傅立叶描述子
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 二维形状识别中模型建立及模型优化
• 5.1 二维形状层次特性
• 5.2 遗传算法
• 5.2.1 遗传算法简介
• 5.2.2 遗传算法基本结构
• 5.3 基于GA 的HHMM 结构优化
• 5.3.1 编码
• 5.3.2 目标函数及适应度计算
• 5.3.3 遗传算子设计
• 5.3.4 系统与方法
• 5.4 实验结果及分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 研究内容总结
• 6.2 未来工作展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢