图像的特征提取和分类

论文摘要

随着科技的发展进步，从各种成像设备、互联网络或图像数据库中获取大量图像已成为可能，从而人们对图像处理的要求也越来越高。在这种情况下，图像处理技术得到了深入、广泛和迅速的发展。图像处理的主要研究内容包括图像增强、图像复原、图像编码、图像分类等，本文中我们主要讨论了图像特征提取和分类的问题。 对于图像分类问题，特征提取的好坏是决定分类性能的关键因素。虽然描述图像特征的方法有很多种，但是纹理特征仍是图像分析中一个难以描述的基本特征。本文提出了一种基于特征融合的纹理图像分类方法，它结合了纹理图像的特点和框架小波变换方法，处理过程中充分考虑了图像各尺度间的依存关系以及不同频带中所包含的图像纹理信息，利用支撑矢量机作为分类器，对标准纹理库中的图像进行了仿真实验。实验结果表明与其它方法相比，本文提出的方法在处理速度和识别正确率方面均有所提高。 在研究图像特征和分类方法的基础上，针对复杂背景中的目标检测，本文提出了一种基于特征提取和形态学处理的目标检测方法。通过对图像进行预处理，将目标集中在一个含有较少背景的区域中，从而减小了目标检测时背景的影响。与传统的对图像整个区域进行全局分割的处理方法相比，本文提出的方法不仅思路直观明了，而且运算复杂度低，在背景复杂的情况下同样能取得较好的检测效果。 与小波变换相比曲波变换具有各向异性，能够提供更多的图像信息。本文提出将曲波变换应用于提耳义纹理图像的特征，实验结果表明该方法能够较好的反映纹理图像所包含的方向信息。

论文目录

• 创新性声明
• 关于论文使用授权的说明
• 摘要
• Abstract
• 第一章 绪论
• 1.1 图像分类基本概念及其应用
• 1.2 图像分类技术的发展
• 1.3 本文的主要研究内容
• 第二章 图像的特征描述及分类方法
• 2.1 引言
• 2.2 图像特征的描述
• 2.3 特征提取方法
• 2.3.1 小波变换
• 2.3.2 主分量分析
• 2.4 图像分类方法
• 2.4.1 模糊C均值聚类
• 2.4.2 支撑矢量机
• 第三章 基于特征融合的图像分类
• 3.1 基于统计特征融合的SAR图像分类
• 3.1.1 图像的纹理测度
• 3.1.2 灰度共生矩阵
• 3.1.3 SAR图像分类步骤
• 3.1.4 实验结果
• 3.2 基于小波特征融合方法的纹理图像分类
• 3.2.1 图像的树型小波变换及其特征提取
• 3.2.2 图像的框架小波变换及其特征提取
• 3.2.3 小波能量特征
• 3.2.4 纹理图像分类步骤
• 3.2.5 实验结果与讨论
• 第四章 基于特征提取和形态学处理的目标检测
• 4.1 引言
• 4.2 数学形态学
• 4.2.1 膨胀
• 4.2.2 腐蚀
• 4.2.3 膨胀和腐蚀的对偶性
• 4.2.4 开启和闭合
• 4.3 数学形态学在图像处理中的主要应用
• 4.3.1 边缘检测
• 4.3.2 图像分割
• 4.3.3 形状骨架提取
• 4.3.4 噪声滤除
• 4.4 基于特征提取和形态学处理的目标检测
• 4.4.1 图像的预分割
• 4.4.2 形态学处理
• 4.4.3 目标检测
• 4.4.4 仿真实验
• 4.5 小结与讨论
• 第五章 基于曲波变换的图像分类
• 5.1 曲波变换的理论依据
• 5.1.1 脊波分析基本理论
• 5.1.2 曲波变换原理
• 5.2 基于曲波变换的图像分类
• 5.3 小结与讨论
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 作者在硕士研究生期间发表的论文