基于特征選擇和支持向量機(jī)的紋理圖像分類.pdf

1、圖像分類是模式識(shí)別領(lǐng)域中的重要研究?jī)?nèi)容，在科學(xué)研究和工程技術(shù)方面有著非常廣泛的應(yīng)用背景。紋理，作為一種廣泛存在的圖像模式，自然成為圖像分類的重要研究課題。提取紋理特征是進(jìn)行紋理分類的基礎(chǔ)，在最近幾十年內(nèi)，人們已在紋理特征描述方面做了大量的研究工作，并取得了許多研究成果，但是目前大多數(shù)方法普遍存在一些缺陷，人們對(duì)紋理圖像的分類至今也沒(méi)有一套普遍適用的分析方法，適用性強(qiáng)且準(zhǔn)確度高的分類方法還需要進(jìn)一步研究探索。同時(shí)，在準(zhǔn)確提取圖像特征的基礎(chǔ)

2、上，如何能有效的對(duì)圖像進(jìn)行分類，關(guān)鍵在于分類器的設(shè)計(jì)。針對(duì)上述的問(wèn)題，本文主要研究了圖像的特征提取和分類器的設(shè)計(jì)，并提出了自己的新方法。
　　 (1)本文對(duì)基于多尺度幾何分析的圖像特征提取方法進(jìn)行了研究。對(duì)于傳統(tǒng)的基于子帶系數(shù)能量測(cè)度特征提取的不足，在Contourlet變換的基礎(chǔ)上，提出了基于廣義高斯密度模型參數(shù)的特征提取方法。對(duì)于不同的圖像，從特征的可分性差異進(jìn)行了特征選擇。本文提出的特征，是一種在低頻子帶采用能量測(cè)度全局特

3、征，而在高頻子帶采用模型參數(shù)局部特征。選取了標(biāo)準(zhǔn)Brodatz紋理庫(kù)圖像進(jìn)行大量的實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)結(jié)果，表明了本文的特征提取方法能夠更好地表示圖像的紋理信息，可以看出本文提出的特征提取方法和全部采用能量測(cè)度特征的方法相比，前者優(yōu)于后者，對(duì)于圖像分類達(dá)到了不錯(cuò)的效果。
　　 (2)本文研究了圖像分類的另一個(gè)重點(diǎn)--分類器，并且將快速稀疏逼近最小二乘支持向量機(jī)(FSALS-SVM)用來(lái)進(jìn)行圖像分類，以前快速稀疏逼近最小二乘支持向量機(jī)僅

4、是被用來(lái)做大規(guī)模的數(shù)據(jù)識(shí)別，如MNIST手寫數(shù)字識(shí)別(包括60000個(gè)訓(xùn)練樣本和10000個(gè)測(cè)試樣本)?？焖傧∈璞平钚《酥С窒蛄繖C(jī)是支持向量機(jī)(SVM)的改進(jìn)，除了它繼承了最小二乘支持向量機(jī)(LS-SVM)的優(yōu)點(diǎn)外，還具備了稀疏性。在國(guó)際通用的Brodatz圖像集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明快速稀疏逼近最小二乘支持向量機(jī)(FSALS-SVM)的分類效果優(yōu)于K近鄰分類器(KNN)和支持向量機(jī)(SVM)，具有較高的推廣能力和魯棒性，而且進(jìn)