一种综合多种方法的纹理图像分割

论文摘要

纹理图像分割是图像处理和模式识别中一个重要的研究内容,一直以来是人们研究的热点。纹理图像分割对于许多计算机视觉和图像处理的研究具有重要意义,在实际中也己经得到了广泛的应用,几乎出现在有关图像处理的所有领域,并涉及各种类型的图像。其应用从医学诊断中的癌细胞识别直到从遥感图片中识别多种有用的军事或民用目标。纹理图像分割把一幅具有不同纹理类别的图像划分成几个区域,每一个区域都具有一致的纹理特性且对应现实中的实体。它是纹理图像处理中很难的一个问题,因为在没有先验知识的情况下,很难知道图像中包含什么样的纹理,以及有几种不同的纹理。纹理图像分割的过程主要由特征提取和分割算法两部分组成。依据特征提取方法的不同主要有三种分割方法:统计法、结构法和时频域法。时频域法是近10来年发展起来的新方法,由于它有许多优越性而受到人们的重视。纹理图像分割最终给图像的每个像素分配一个类别的标记。本文主要研究了基于纹理频谱特性的特征提取,聚类方法和分类方法,给出了一种基于Gabor小波变换,GMM模型聚类和LS-SVM分类方法的改进纹理分割方法。改进方法使用多通道Gabor小波滤波器组获取纹理特征向量,并对这些特征向量进行一定的优化处理,然后使用GMM模型对采样后的特征向量进行聚类以获取LS-SVM所需的训练样本,最后使用LS-SVM分类方法进行分割。实验证明,改进方法较好地弥补了聚类分割方法和分类分割方法在分割过程中存在的不足,是一种性能良好的纹理图像分割方法。同时,本文将改进方法应用在石料图像识别和数字文档图像的分割中并获得了很好的效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景及意义
• 1.1.1 图像分割
• 1.1.2 基于纹理分析的图像分割
• 1.1.3 图像分割的研究现状及其意义
• 1.2 内容与组织结构
• 2 图像的纹理特征
• 2.1 纹理定义
• 2.2 常见纹理特征提取方法
• 2.2.1 灰度共生矩阵
• 2.2.2 十字对角纹理矩阵
• 2.2.3 局部二值模式
• 2.3 基于Gabor小波变换的纹理特征提取
• 2.3.1 Gabor函数
• 2.3.2 Gabor小波
• 2.3.3 多通道Gabor滤波器组设计
• 2.4 纹理特征分类方法
• 3 基于GMM聚类的纹理分割算法
• 3.1 聚类算法
• 3.2 GMM模型的定义
• 3.3 EM算法
• 3.3.1 EM算法原理
• 3.3.2 EM算法初始化方法
• 3.4 基于GMM模型聚类的纹理分割算法
• 3.4.1 算法设计
• 3.4.2 仿真实验
• 4 基于LS-SVM分类的纹理分割算法
• 4.1 支持向量机理论
• 4.1.1 最优超平面
• 4.1.2 核函数
• 4.2 支持向量机的分类算法
• 4.2.1 二值分类支持向量机
• 4.2.2 多值分类支持向量机
• 4.3 最小二乘支持向量机分类算法
• 4.3.1 最小二乘支持向量机分类原理
• 4.3.2 最小二乘支持向量机分类器的参数选择
• 4.4 基于LS-SVM分类的纹理分割方法
• 4.4.1 算法设计
• 4.4.2 仿真实验
• 5 综合Gabor小波，GMM聚类和LS-SVM分类的改进纹理图像分割
• 5.1 特征提取
• 5.1.1 Gabor小波变换
• 5.1.2 特征向量优化
• 5.2 分割过程
• 5.2.1 GMM模型聚类
• 5.2.2 LS-SVM分类
• 5.3 仿真实验
• 6 改进算法在实际中的应用
• 6.1 在石料图像识别中的应用
• 6.1.1 算法的优化
• 6.1.2 仿真实验
• 6.2 在数字文档图像中的应用
• 6.2.1 算法的优化
• 6.2.2 仿真实验
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢