纹理图像的特征选择技术研究

论文摘要

本文在水声纹理图像特征的基础上,结合特征选择算法对这些特征进行选择。并就目标图像的识别性能来选择比较几种特征选择算法,力求获得适合于挑选水声纹理图像特征的特征选择算法。本文首先对三幅海底底质的水声纹理图像进行了特征的提取,提取了4类共20种特征,之后的特征选择将在这20种特征的基础上进行。接着,介绍了特征选择算法的定义和准则,并按照特征算法和后续算法把其分成了嵌入式、过滤式和封装式三种特征选择算法。在算法评判和选择的标准下选择了Relief、分支界定法和基于神经网络的封装式算法作为纹理图像特征的选择算法。Relief算法应用统计的方法来挑选相关的特征。它是由样本权重的算法启发演变而来的特征权重算法。它的核心思想是：好的特征应该使同类的特征接近,使不同类的特征互相远离。由于Relief算法只能解决两类的问题,所以采用ReliefF方法来解决多类的问题。分支界定法是完全搜索唯一的最优解算法。完全搜索算法的方法就是从特征集合D中找到最优的特征组合子集d,它使用判据J来评估每个特征子集,J值最大的特征子集即是最优的特征子集。由于分支界定法的运算量很大,不方便应用与实际中,所以本文采用了改进的分支界定法(IBB)选择特征。在封装式的结构中,学习算法被当作是一个评判特征子集的黑盒。该算法的核心思想是：和学习算法无关的过滤式特征评价会和后续的分类算法产生较大的偏差,而学习算法基于所选特征子集的性能是更好的特征评价标准。在实际运用中,在封装式特征选择中的空间搜索算法的基础上提出了新的搜索方法,使其更适合本文的要求。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 论文背景
• 1.2 国内外研究现状
• 1.3 论文的安排
• 第2章 纹理特征的提取
• 2.1 传统基于灰度梯度的图像特征提取
• 2.1.1 灰度-梯度共生矩阵
• 2.1.2 灰度共生矩阵
• 2.1.3 灰度差分统计方法
• 2.2 基于分形的图像特征提取
• 2.2.1 差分盒维数法
• 2.3 纹理图像特征数据集
• 2.4 本章小结
• 第3章 特征选择方法概述
• 3.1 特征选择的定义和准则
• 3.2 特征选择的结构
• 3.2.1 特征选择结构中子集的产生
• 3.2.2 特征选择结构中子集的评价
• 3.2.3 特征选择结构中的终止条件
• 3.2.4 特征选择结构中的结果验证
• 3.3 特征选择算法的分类
• 3.3.1 嵌入式特征选择
• 3.3.2 过滤式特征选择
• 3.3.3 封装式特征选择
• 3.4 特征选择算法的挑选
• 3.5 本章小结
• 第4章 Relief系列特征选择算法
• 4.1 Relief算法
• 4.2 ReliefF算法
• 4.3 ReliefF算法对纹理特征集的特征评估
• 4.3.1 ReliefF对不同特征的评估
• 4.3.2 迭代次数m对ReliefF评估的影响
• 4.3.3 临近样本个数k对ReliefF评估的影响
• 4.4 本章小结
• 第5章 分支界定特征选择算法
• 5.1 分支界定（B&B）法
• 5.2 改进的分支界定（IBB）算法
• 5.3 改进的分支界定法对纹理特征的选择比较
• 5.3.1 欧氏距离
• 5.3.2 马氏距离
• 5.3.3 两种马氏距离判据下两种分支界定法的比较
• 5.3.4 两种欧氏距离判据下两种分支界定法的比较
• 5.4 本章小结
• 第6章 封装式特征选择算法
• 6.1 封装式特征选择算法
• 6.2 基于神经网络的封装式特征选择
• 6.2.1 BP神经网络
• 6.2.2 BFS
• 6.2.3 交叉验证算法
• 6.3 封装式特征选择中神经网络算法的调整比较
• 6.3.1 四种反向传播算法的比较
• 6.4 本章小结
• 第7章 3种特征选择算法的比较
• 7.1 不同特征数时学习算法所用的时间
• 7.2 不同特征选择算法下识别率的比较
• 7.3 不同特征选择算法所用时间的比较
• 7.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢