圖像分類中的K近鄰方法的改進(jìn)研究及應(yīng)用.pdf

1、隨著計(jì)算機(jī)技術(shù)和信息技術(shù)發(fā)展，使得圖像識別系統(tǒng)的開發(fā)成為可能。開發(fā)識別系統(tǒng)要解決的核心問題之一就是分類方法。識別分類方法主要包括：遺傳算法、神經(jīng)網(wǎng)絡(luò)、最大熵、支持向量機(jī)和K-近鄰方法等。K-近鄰方法相比其它識別分類方法有著原理簡單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。因此，對K-近鄰方法研究具有重要的理論與實(shí)踐意義。
　　本文在分析K-近鄰方法不足的基礎(chǔ)上，主要圍繞K-近鄰方法及其改進(jìn)開展一系列研究。具體工作如下：首先，針對 K-近鄰方法在分類時易受

2、到離群點(diǎn)影響的不足，提出了一種新的方法，即基于局部均值與類均值的質(zhì)心近鄰分類算法(CNNCM)，該方法利用有效的質(zhì)心近鄰選取原則(NCN)，從每類訓(xùn)練樣本集中選擇測試樣本點(diǎn)的K個近鄰點(diǎn)，同時充分利用K個近鄰點(diǎn)的局部均值和類均值來判斷測試樣本點(diǎn)的類別歸屬。CNNCM不僅具有基于局部均值的非參數(shù)分類方法(LM)對離群點(diǎn)問題的穩(wěn)健性和NCN原則對近鄰選擇的有效性，而且還充分地利用類均值對分類的作用。為了驗(yàn)證本文提出的算法在分類問題中的優(yōu)越性，

3、以分類精度作為評價標(biāo)準(zhǔn)，在5組真實(shí)UCI數(shù)據(jù)集上進(jìn)行了CNNCM與KNN、KNCN和LM算法的對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，CNNCM的分類性能明顯優(yōu)于其它方法。
　　其次，針對K-近鄰分類方法在分類時給不同的近鄰樣本賦予相同的分類貢獻(xiàn)率和易受到離群點(diǎn)影響的不足，本文提出基于局部權(quán)重的K-近質(zhì)心近鄰方法(LWKNCN)。LWKNCN利用NCN原則從每類選擇K個近質(zhì)心，并根據(jù)質(zhì)心點(diǎn)距離的遠(yuǎn)近給不同的質(zhì)心點(diǎn)賦予不同的權(quán)重。在6組真實(shí)的UCI

4、數(shù)據(jù)集和人造數(shù)據(jù)集上進(jìn)行大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與KNN和KNCN算法相比，本文提出的算法在分類時更加有效可靠，在分類性能上明顯優(yōu)于KNN和KNCN算法。
　　最后，本文運(yùn)用CNNCM和LWKNCN對棉花和雜草圖像進(jìn)行分類。具體步驟如下，第一，利用加權(quán)平均值法和中值濾波法對圖像灰度化和濾除噪聲處理；第二，采用最大類間方差法對圖像進(jìn)行分割；第三，選取5種邊緣檢測算子對圖像進(jìn)行檢測；第四，提取10個特征，主要包括： S分量的1階矩、