基于Grouplet與關聯(lián)向量機的斷口圖像識別方法研究.pdf

1、本論文在國家自然科學基金(51261024,51075372)和廣東省數(shù)字信號與圖像處理技術重點實驗室(No.2014GDDSIPL-01)資助下，針對傳統(tǒng)斷口圖像識別方面存在的不足，提出了基于Grouplet-RVM的斷口圖像識別方法，并針對其識別速度與識別準確率與以往研究方法做了對比實驗研究，取得了較好的創(chuàng)新成果，論文的主要內容有以下幾個方面：
　　1、介紹了Haar小波變換的原理，在此基礎上，論述了Grouplet變換理論及

2、算法。并以金屬斷口圖像為例，對比分析了Grouplet變換和小波變換在處理圖象方面的能力，實驗結果驗證了Grouplet變換具有明顯的優(yōu)勢，它是一種基于圖像幾何流最佳稀疏表示的正交變換，可以最大限度的利用圖像的幾何特征。本章是全文的理論基礎。
　　2、結合Grouplet變換和關聯(lián)向量機(RVM)的各自優(yōu)點，提出了一種基于Grouplet-RVM識別方法，提出的方法以Grouplet平均能量、Grouplet調和熵和Grouple

3、t峭度為特征量，RVM為識別器，并成功地應用到金屬斷口圖像識別中。實驗結果表明，由于Grouplet平均能量是Grouplet系數(shù)的二次方關系，Grouplet峭度是Grouplet系數(shù)的4次方關系，因此，Grouplet峭度比Grouplet平均能量更能反映微小的紋理特征變化，對紋理特征更敏感，有利于斷口圖像的特征提取。與小波-RVM識別方法相比較，提出的方法克服了小波-RVM識別方法只能獲取圖像有限的方向信息，取得了更高的識別率。和

4、Grouplet-SVM識別方法相比較，Grouplet-RVM識別方法和Grouplet-SVM識別方法有同樣好的識別率，然而，Grouplet-RVM所需要的支持向量數(shù)量要少得多，在核函數(shù)的選擇上不受Mercer定理的限制，可以構建任意的核函數(shù)。因而，提出的方法的識別速度明顯優(yōu)于Grouplet-SVM識別方法，特別是隨著訓練樣本的增加，這種優(yōu)勢越明顯。
　　3、變分關聯(lián)向量機(Variational relevance ve

5、ctor machines，簡稱VRVM)是一種改進的關聯(lián)向量機，它將關聯(lián)向量機中計算較為復雜的卷積積分運算改為較為簡單的對數(shù)和運算，從而大大降低了RVM的計算量?；赩RVM的獨特優(yōu)勢，在此，將VRVM與Grouplet變換相結合，提出了一種基于Grouplet-VRVM的識別方法。在提出的方法中，以Grouplet調和熵、Grouplet平均能量、Grouplet峭度作為特征量，VRVM作為識別器，成功地應用到金屬斷口圖像識別中，實

6、驗結果表明，提出的Grouplet-VRVM與Grouplet-RVM識別方法相比，在保持相同的識別率情況下，可以大幅度提高訓練速度。而且隨著訓練樣本數(shù)量的增加，這種優(yōu)勢同樣表現(xiàn)得越明顯。
　　4、在基于Grouplet-RVM的識別方法中，核函數(shù)參數(shù)的選取是至關重要的，若選擇不當，會大大影響識別效果，而對于核函數(shù)參數(shù)的選取，目前，還沒有選擇的依據，針對此問題，在此，構建了三種小波核函數(shù)(即Mexican hat小波核函數(shù)、Mor

7、let小波核函數(shù)以及DOG小波核函數(shù))來替代Grouplet-RVM識別方法中的RBF核函數(shù)，提出了小波關聯(lián)向量機(Wavelet RVM,簡稱WRVM)的新概念。并將WRVM與Grouplet變換結合，提出了一種基于Grouplet-WRVM識別方法，并應用于斷口圖像識別中，同時，與Grouplet-RVM識別方法進行了對比分析。實驗結果表明，Grouplet-WRVM和Grouplet-RVM識別方法都得到了滿意的識別率。然而，Gr