论文题目: 图像挖掘中的图像预处理技术研究
论文类型: 博士论文
论文专业: 计算机软件与理论
作者: 刘茂福
导师: 何炎祥
关键词: 图像挖掘,图像理解,系统框架模型,矩特征,特征降维
文献来源: 武汉大学
发表年度: 2005
论文摘要: 随着图像获取技术与图像存取技术的进步,尤其是Internet上图像数据的急剧增加,出现了“图像数据极大丰富,但有关图像的信息与知识贫乏”的局面。人类对能从图像数据中自动抽取有意义的语义信息与知识的图像挖掘理论与系统工具的需求日益迫切。这一需求迅速引起了数据挖掘、信息检索、人工智能、多媒体及其它相关领域研究人员的注意,并将数据挖掘技术引入到图像研究领域,去发现隐藏在大量图像数据中的信息与知识,从而指导基于图像信息的决策行为。从图像理解的角度出发,也会很自然的将数据挖掘与图像理解结合在一起,从而研究图像挖掘。参考Fayyad对数据挖掘的定义,不难得到图像挖掘的概念描述,图像挖掘就是从复杂的图像数据中抽取隐藏其中的、有效的、新颖的、潜在有用的并最终可被用户理解的语义信息与知识的非平凡过程。图像挖掘是一种图像理解的关键技术与方法。图像挖掘目前存在的主要问题包括:系统框架模型:图像挖掘需要一个切实可行的系统框架模型。图像预处理:图像挖掘领域中的挖掘对象不仅包含复杂的图像数据,并且还有与图像有关的文本数据。用传统的关系模型来直接表示图像数据,效果并不是很好。因此,要对复杂的图像数据进行挖掘,首先要对之进行复杂有效的预处理。特征描述困难:使用数字图像处理技术对要挖掘的图像进行处理后,要挖掘出精确的知识,还必须提取和描述图像目标的特征。图像的基本特征包括文本、颜色、纹理、位置以及形状等,需要集中精力研制描述图像特征的新方法。特征维度过高:使用图像特征提取技术获得的图像各种特征向量的维度太高,不适于后续的图像挖掘方法的执行,也会增加图像挖掘算法的复杂度,需要对图像特征向量进行优化或降维处理。本文主要围绕图像挖掘及其关键技术开展了研究工作,其主要研究内容与贡献如下:图像挖掘框架模型:从功能和信息数据两个方向研究图像挖掘框架模型,给出了更实用的图像挖掘过程框架模型;图像特征提取:图像视觉语义特征的表示与描述在图像挖掘中非常重要。本文在讨论基于正交不变矩的图像形状特征描述方法的同时,考虑到不变矩的描述能力需要评价与验证,提出了基于图像重构的正交不变矩描述图像形状特征能力的评价方法。图像矩形状特征优化:使用图像矩精确表示与描述图像目标的形状特征,需要的矩值数目太多,这样会增加矩计算的复杂度,同时也会导致图像矩向量维数太高。因此,本文结合演化计算提出了低阶矩优化算法,使优化后的低阶矩能比较精确地表示与描述图像目标形状特征。高维特征降维:通过对图像数据库或图像集中的图像进行特征提取所获得的表示图像的特征数据一般都是高维的,在真正执行图像挖掘算法之前,需要对高维图像特征数据进行降维处理。常用的数据降维方法主要有主成分分析、因子分析等,但它们的操作对象主要是数值特征;本文结合粗糙集理论,提出了新的图像高维特征数据的降维方法。
论文目录:
摘要
ABSTRACT
第1章 引言
1.1 图像挖掘概述
1.1.1 数据挖掘
1.1.2 图像工程
1.1.3 研究意义
1.2 国内外研究现状
1.2.1 多媒体数据挖掘
1.2.2 数字图像处理与图像识别
1.2.3 图像挖掘框架模型
1.2.4 图像挖掘方法
1.2.5 现行图像挖掘项目
1.3 图像挖掘存在的问题
1.4 本论文的主要研究工作
1.5 本论文的主要安排
第2章 图像挖掘框架模型
2.1 引言
2.2 功能驱动图像挖掘框架模型
2.2.1 MultiMediaMiner
2.2.2 “钻石眼”图像挖掘系统
2.2.3 遥感卫星图像挖掘系统
2.3 信息驱动图像挖掘框架模型
2.4 图像挖掘过程框架模型
2.5 本章小结
第3章 图像基本特征及其表示描述方法
3.1 引言
3.2 图像文本特征
3.3 图像颜色特征
3.3.1 灰度直方图
3.3.2 基于区域的颜色表示
3.4 图像纹理特征
3.4.1 纹理基础
3.4.2 纹理统计表示方法
3.4.3 纹理结构表示方法
3.4.4 纹理频谱表示方法
3.5 图像形状特征
3.5.1 形状基础
3.5.2 基于轮廓的形状表示方法
3.5.3 基于轮廓的形状描述方法
3.5.4 基于区域的形状表示方法
3.5.5 基于区域的形状描述方法
3.6 本章小结
第4章 基于不变矩的图像形状特征描述
4.1 引言
4.2 图像矩函数
4.2.1 图像矩函数基础
4.2.2 图像矩函数一般定义
4.2.3 几何矩与中心矩
4.2.4 复数矩
4.3 ZERNIKE 正交不变矩
4.3.1 Zernike 多项式
4.3.2 Zernike 矩定义
4.4 形状特征描述与评价
4.4.1 矩形状特征集
4.4.2 基于Zernike 矩的图像重构
4.4.3 特征描述评价
4.5 实验结果与分析
4.6 本章小结
第5章 基于演化计算的图像 ZERNIKE 矩特征优化方法
5.1 引言
5.2 演化计算基础
5.2.1 基本思想
5.2.2 基本特征
5.2.3 基本步骤
5.3 优化算法设计与实现
5.3.1 编码方案
5.3.2 初始化群体
5.3.3 适应度函数
5.3.4 遗传操作
5.3.5 选择策略
5.3.6 算法终止条件
5.3.7 控制参数设置
5.3.8 算法实现
5.4 实验结果与分析
5.5 本章小结
第6章 图像高维特征数据降维
6.1 引言
6.2 线性降维方法
6.2.1 基本概念
6.2.2 主成分分析
6.2.3 因子分析
6.3 基于粗糙集的非线性降维方法
6.3.1 粗糙集基本思想
6.3.2 粗糙集基本概念
6.3.3 粗糙集与属性约简
6.3.4 相关算法与分析
6.4 实验结果与分析
6.4.1 主成分分析与因子分析
6.4.2 基于粗糙集降维
6.5 本章小结
第7章 总结与展望
7.1 全文总结
7.2 未来工作
参考文献
图索引
表索引
攻读博士期间发表的论文
致谢
发布时间: 2007-11-21
参考文献
- [1].图像非局部均值去噪方法研究[D]. 左承林.国防科学技术大学2016
- [2].光场成像技术在天空偏振模式测量和湍流图像清晰化中的应用研究[D]. 张文静.国防科学技术大学2016
- [3].基于暗通道先验的图像和视频去雾模型及算法研究[D]. 王丹.国防科学技术大学2016
- [4].图像去雾与去湍流方法研究[D]. 何人杰.西北工业大学2017
- [5].透混沌介质偏振成像技术[D]. 刘飞.西安电子科技大学2016
- [6].图像与视频低复杂度压缩算法研究[D]. 李永军.西安电子科技大学2017
- [7].单细胞三维结构与衍射图像特征的分类方法研究[D]. 张珺.天津大学2017
- [8].梯度域处理框架下的图像视见度增强技术研究[D]. 张菲菲.武汉大学2015
- [9].基于示温漆图像的温度自动判读算法研究[D]. 王展.电子科技大学2018
- [10].基于全局稀疏梯度的图像处理方法研究[D]. 张瑞.西安电子科技大学2018
相关论文
- [1].图像挖掘在图像检索中的应用[D]. 段曼妮.中国科学技术大学2009
- [2].基于形式概念分析的图像数据挖掘研究[D]. 秦昆.武汉大学2004
- [3].遥感影像数据挖掘技术研究[D]. 王旭红.西北大学2005
- [4].医学图像智能挖掘关键技术研究[D]. 孙蕾.西北大学2005
- [5].图像语义检索和分类技术研究[D]. 易文晟.浙江大学2007
- [6].图像理解的关键问题和方法研究[D]. 谢昭.合肥工业大学2007
- [7].图像分割若干理论方法及应用研究[D]. 陈强.南京理工大学2007
- [8].数字图像预处理与融合方法研究[D]. 李卫华.西北工业大学2006