基于Gabor小波變換與支持向量機的紋理圖像分割.pdf

1、紋理分割是圖像處理和模式識別中一個重要的研究內(nèi)容，一直以來是人們研究的熱點。它依據(jù)同一紋理的一致性特征或不同紋理之間的特征差別，將紋理圖像分割成若干有意義的區(qū)域，而提取有效的紋理特征是其中的關(guān)鍵和難點。本文主要研究了基于紋理頻譜特性的特征提取、特征降維與分割方法，并將其應(yīng)用于實際的農(nóng)業(yè)害蟲圖像，提出了將Gabor小波變換，AdaBoost學(xué)習(xí)算法和支持向量機相結(jié)合的紋理分割方法。主要工作包括以下幾個方面： (1)利用Gabor小

2、波變換與高等動物視覺皮層簡單細胞的接收場具有相似的特性，提取圖像的紋理特征向量，并對此方法進行了詳細的分析。 (2)改進Gabor變換提取的特征向量存在的高維數(shù)，引入AdaBoost學(xué)習(xí)算法，在充分考慮各個特征向量中的特征的線性分類能力的基礎(chǔ)上，通過弱學(xué)習(xí)過程提取出最顯著的特征，以有效的降低Gabor特征維數(shù)和提高分類準確率。 (3)分類過程采用國際模式識別領(lǐng)域首選的分類器一支持向量機，選用徑向基函數(shù)為支持向量機的核函數(shù)

3、，采用遺傳算法對其參數(shù)進行優(yōu)化搜索以對Gabor+AdaBoost特征進行訓(xùn)練，減少了以往應(yīng)用中需要反復(fù)實驗來確定其參數(shù)的人工工作量。 本文在農(nóng)業(yè)害蟲圖像庫上作了大量有意義的實驗，分別采用Gabor+BP，Gabor+SVM和本文提出的Gabor+AdaBoost+SVM方法進行圖像分割，實驗結(jié)果表明Gabor特征向量魯棒性強，但高維較高，存在眾多的冗余信息，會影響分割速度和效果，因此文中我們引入了AdaBoost學(xué)習(xí)算法對Ga