基于属性的图像分类研究

论文题目: 基于属性的图像分类研究

论文类型: 博士论文

论文专业: 通信与信息系统

作者: 张旗

导师: 梁德群

关键词: 图像处理,特征提取,图像分类,小波变换

文献来源: 大连海事大学

发表年度: 2005

论文摘要: 作为认知科学和计算机科学中的一个令人兴奋的活跃分支,数字图像处理技术近年来得到了极大的重视和长足的发展。特别是视觉信息的飞速膨胀和应用需求的不断扩大,使得面向不同领域、不同任务的算法研究成为图像处理及相关领域关注的热点。尽管人们在图像处理算法方面做了大量的工作,但对算法各种性能进行评价的研究却相对较弱,其中一个很重要的原因就是对所研究的对象——图像本身缺乏足够的认识,更没有科学的、客观的描述手段,致使对图像处理的研究还处在“自然研究”阶段,没能进入“自觉研究”的阶段,因此带有许多盲目性。 本文研究的是基于图像本质属性的图像分类,即在对图像中与人的视觉感觉相关的本质属性进行客观度量的基础上,对图像进行系统的分类研究。研究的目的在于:(1)任何一个成熟的学科都要对研究的对象进行分类,只有在对处理对象从数学意义上加以区分,才有可能在一定范围内对处理结果进行预测,给出处理结果的评价标准和方法,才能形成该学科的理论体系。(2)对图像本质属性的客观度量,可以减少算法中的假设,使得算法的自适应性成为可能,这种自适应性包括算法的自适应选择和算法中参数的自适应配置两个方面。(3)对图像进行定量的、客观的分类研究,有助于产生成熟的算法评价方法和规则。“一门科学没有科学公认的评价系统、性能描述和算法的再实施能力,就没有发展”。因此这种评价不仅可提高现有算法的性能,对研究新的算法也具有指导意义。 论文的主要思路是围绕图像低级处理三大任务——图像增强与恢复、图像压缩和图像分割,寻找和研究图像的基本属性,进而建立图像的形式化描述,然后面向任务将图像按基本属性进行分类。本文将图像的属性描述限定为与自适应算法和结果有关的、反映人的视觉感觉的图像基本属性。研究的主要成果包括: 建立了基于图像属性的图像模型,给出了图像形式化描述的框架。按照可拓学方法,定义了图像基本元素——视元;考虑到人类视觉的层次性,将视元具体确定为像素层视元、区域层视元和图像层视元;分析了视元的性质、视元各层间的关系等。图像的形式化描述,将各类图像统一在同一个框架下,便于进一步的研究与分类。

论文目录:

摘要

Abstract

目录

第1章 绪论

1.1 引言

1.2 所涉及的相关问题

1.2.1 计算机视觉与图像处理

1.2.2 图像处理过程

1.2.3 图像、属性与分类

1.3 图像分类问题研究的现状

1.4 本文的主要内容和结构安排

第2章 图像属性与图像的形式化描述

2.1 引言

2.2 图像视元及视元属性

2.2.1 图像的视觉元素

2.2.2 图像视元的分层

2.2.3 图像视元层的关联

2.3 面向任务的图像属性

2.3.1 面向增强与恢复的图像属性

2.3.2 面向图像压缩的图像属性

2.3.3 面向图像分割的图像属性

2.4 基于属性的图像分类原则

2.5 小结

第3章 小波理论与图像小波变换

3.1 引言

3.2 连续小波变换与离散小波变换

3.3 多分辨率分析与二维小波变换

3.4 小波分解的系数的特点及描述

3.4.1 小波系数的层内模型

3.4.2 小波系数的层间模型

3.4.3 小波系数的聚集性和空间方向的选择性

3.5 小结

第4章 基于边缘度的图像分类与压缩预测

4.1 引言

4.2 基于图像边缘度的图像分类

4.2.1 图像属性与图像边缘

4.2.2 算法流程与实现

4.2.3 实验结果与分析

4.3 基于边缘度的图像压缩结果的预测

4.3.1 图像压缩与图像边缘度

4.3.2 不同类型图像的压缩结果预测

4.4 基于边缘度的零树压缩分解层的选择

4.4.1 嵌入式零树小波编码算法EZW

4.4.2 EZW算法中小波分解层数的选择

4.5 小结

第5章 图像噪声类型识别与估计

5.1 引言

5.2 图像噪声类型识别与估计

5.2.1 图像噪声类型描述

5.2.2 图像噪声的类型识别与估计

5.2.3 实验结果与分析

5.3 基于区域分割的图像噪声估计

5.3.1 问题的提出

5.3.2 基于小波变换的图像平滑区的提取

5.3.3 实验结果与分析

5.4 小结

第6章 图像模糊类型识别与估计

6.1 引言

6.2 图像模糊类型识别与估计

6.2.1 图像模糊类型的描述

6.2.2 图像模糊类型的识别

6.2.3 实验结果与分析

6.3 图像模糊度估计

6.3.1 图像的模糊与边缘活动度

6.3.2 图像模糊度的计算

6.3.3 实验结果与分析

6.4 基于图像模糊度的人脸图像恢复

6.4.1 恢复算法描述与问题的求解

6.4.2 人脸先验信息与恢复项的折衷

6.4.3 实验结果与分析

6.5 小结

第7章 图像边缘测度与图像分类

7.1 引言

7.2 图像边缘特性

7.3 基于小波分解的图像边缘测度

7.3.1 图像的边缘对比度

7.3.2 属性直方图与图像边缘测度

7.4 实验结果与分析

7.5 小结

结论

创新点摘要

攻读学位期间公开发表的论文

致谢

参考文献

附录

发布时间: 2005-10-13

参考文献

• [1].面向大规模图像分类的层次化多任务学习算法研究[D]. 郑昱.西安电子科技大学2017
• [2].基于超像素表征和模糊特征学习的图像分类与识别[D]. 郭雨薇.西安电子科技大学2017
• [3].基于迁移学习的跨域图像分类方法研究[D]. 李晓.西安电子科技大学2017
• [4].带钢缺陷图像分类中的智能算法研究[D]. 胡慧君.武汉大学2015
• [5].基于字典学习的图像分类研究[D]. 常合友.南京理工大学2017
• [6].多类别图像分类的关键技术研究[D]. 罗长志.合肥工业大学2017
• [7].图像分类识别中特征及模型的若干问题研究[D]. 韩东峰.吉林大学2008
• [8].基于内容的商品图像分类方法研究[D]. 贾世杰.大连理工大学2013
• [9].基于上下文信息的语义图像分类研究[D]. 李昌英(Ri ChangYong).浙江大学2014
• [10].基于艺术风格的绘画图像分类研究[D]. 杨冰.浙江大学2013

相关论文

• [1].基于支撑矢量机的图像分类、车牌识别及嵌入式应用研究[D]. 任俊.浙江大学2005
• [2].彩色图像处理关键技术研究[D]. 韩晓微.东北大学2005
• [3].独立分量分析方法及在图像处理中的应用研究[D]. 王明祥.上海大学2005
• [4].智能交通中图像处理技术应用的研究[D]. 李文举.大连海事大学2005
• [5].基于内容图像检索中图像语义分类技术研究[D]. 胡广寰.浙江大学2005
• [6].基于支持向量机方法的图像分割与目标分类[D]. 徐海祥.华中科技大学2005
• [7].图像模式分类与检索[D]. 蒋金山.华南理工大学2004
• [8].高分辨率遥感图像分类技术研究[D]. 陈忠.中国科学院研究生院（遥感应用研究所）2006
• [9].基于纹理的遥感图像分类研究[D]. 王佐成.西南交通大学2007
• [10].图像分类识别中特征及模型的若干问题研究[D]. 韩东峰.吉林大学2008

标签：图像处理论文;  特征提取论文;  图像分类论文;  小波变换论文;