圖像分類中的K近鄰方法的改進研究及應用.pdf

1、隨著計算機技術(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、最大熵、支持向量機和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、易于實現(xiàn)等優(yōu)點。因此，對K-近鄰方法研究具有重要的理論與實踐意義。
　　本文在分析K-近鄰方法不足的基礎上，主要圍繞K-近鄰方法及其改進開展一系列研究。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)，從每類訓練樣本集中選擇測試樣本點的K個近鄰點，同時充分利用K個近鄰點的局部均值和類均值來判斷測試樣本點的類別歸屬。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準，在5組真實UCI數(shù)據(jù)集上進行了CNNCM與KNN、KNCN和LM算法的對比實驗，實驗結(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率和易受到離群點影響的不足，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)心點距離的遠近給不同的質(zhì)心點賦予不同的權(quán)重。在6組真實的UCI

4、數(shù)據(jù)集和人造數(shù)據(jù)集上進行大量的實驗，實驗結(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，本文運用CNNCM和LWKNCN對棉花和雜草圖像進行分類。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行分割；第三，選取5種邊緣檢測算子對圖像進行檢測；第四，提取10個特征，主要包括： S分量的1階矩、