采用支持向量机的纹理图像分类

论文摘要

基于内容的图像检索（Content-Based Image Retrieval）研究的目的是实现自动地、智能地检索图像,研究的对象是使查询者可以方便、快速、准确地从图像数据库中查找特定图像的方法和技术。纹理特征的分类是纹理CBIR系统的关键技术,然而传统的统计预测方法需要很强的先验知识,研究的前提是样本数目趋于无穷大时的渐进理论。受维数影响较大,维数增加有时导致了分类性能的下将,这就限制了它们在纹理非线性分类中的应用。因为在进行纹理非线性分类中,需要把低维特征映射到高维空间,维数必然增加。所以为了有效的进行纹理非线性分类这就需要一种受维数影响较少的方法。进行纹理分类前先要提取纹理特征,本文采用Gabor小波的方法对纹理特征进行提取。以往构造Gabor小波滤波器时,参数的选择没有统一的方法,不同的作者采用不同的参数,原因在于对于各个参数的作用不明了。本文通过仔细设计的实验方法,对Gabor小波各个参数在纹理分类中的作用进行了研究,发现了各个参数的重要性,得到的结果对于滤波器的构造具有指导意义。基于线性预测编码和高斯方程本文构造了一种新的核函数,并对核函数的可分性和局部性进行了研究,结果表明提出的核函数对样本具有良好的线性可分性和较强的插值能力,比较善于提取样本的局部特征。最后利用多项式核函数善于全局特性的优点,把提出的核函数和多项式核函数结合得到一个最终的核函数和支持向量机LG-SVM。在进行的纹理分类实验中,本文提出的方法与两种传统的纹理分类方法进行比较,结果表明本文提出方法的分类的准确率总是优于其它方法,当维数增加时,其它方法的分类性能有时会下降而本文提出的方法分类性能总是得到了提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的背景和意义
• 1.2 CBIR组成和关键技术
• 1.3 纹理特征的提取和分类
• 1.3.1 纹理特征提取
• 1.3.2 纹理特征分类
• 1.4 纹理分类的研究现状与发展趋势
• 1.5 本文的内容和结构
• 第2章 纹理分析方法研究
• 2.1 Gabor变换
• 2.2 小波变换
• 2.2.1 原理
• 2.2.2 多分辨率分析
• 2.2.3 二维小波变换
• 2.2.4 Fourier、Gabor和小波变换的比较
• 2.3 二维Gabor小波
• 2.4 支持向量机
• 2.4.1 统计学习理论
• 2.4.2 支持向量机分类
• 第3章 Gabor小波参数对纹理分类的影响
• 3.1 实验方法和过程
• 3.1.1 实验对象的选择
• 3.1.2 特征表达
• 3.1.3 距离度量
• 3.1.4 分类过程和分类器的比较
• 3.1.5 实验设计
• 3.2 实验结果分析
• 3.2.1 第一组实验结果
• 3.2.2 第二组实验结果
• 3.2.3 两组实验结果比较
• 3.3 本章小结
• 第4章 纹理分类支持向量机的构造
• 4.1 核函数方法
• 4.2 支持向量机LG-SVM
• 4.2.1 线性预测编码
• 4.2.2 核函数
• 4.2.3 性质以及参数优化
• 4.2.4 LG-SVM
• 4.3 本章小结
• 第5章 实验和分析
• 5.1 金字塔结构算法
• 5.2 纹理分类及比较
• 5.2.1 实验数据
• 5.2.2 选用的比较方法
• 5.2.3 实验结果及分析
• 5.3 本章小结
• 第6章 总结和展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢