基于圖理論的圖像處理與物體識別算法的研究.pdf

1、因為圖像獲取可能丟失部分信息，圖像底層處理算法無法得到明確的物體的區(qū)域，物體的特征描述和物體的表達無法清晰的界定各種環(huán)境中的同一物體，物體識別仍舊是計算機視覺系統(tǒng)的一個難題。因此針對物體識別進行研究的開展有重要的理論意義和實踐意義。本文針對物體識別的多個階段進行了研究，從物體的獲取，圖像底層處理到物體識別分別提出和改進了一些基于圖理論的算法，對于提高最終的物體識別能力起到了積極的作用。
　　在多聚焦圖像融合方面，提出了基于代數(shù)多重

2、網(wǎng)格的自適應分塊的圖像融合算法。因為通過代數(shù)多重網(wǎng)格方法提取出來的粗網(wǎng)格能在一定程度上提取圖像的細節(jié)信息，因此可以根據(jù)粗網(wǎng)格的數(shù)據(jù)重建原始圖像。實驗證明該方法有較好的重建效果。本文從理論上進行了一些分析，也進一步驗證了利用代數(shù)多重網(wǎng)格方法提取圖的強連接子圖的有效性。
　　將粗網(wǎng)格重建效果和原始圖像的均方差分析發(fā)現(xiàn)，當圖像結(jié)構(gòu)較為清晰時，重建效果和原始圖像的均方差較大，而當圖像結(jié)構(gòu)較為模糊時，重建效果和原始圖像的均方差較小，因此使用

3、該特性來指導多聚焦圖像的融合。融合結(jié)果表明，該方法能得到較好的融合結(jié)果。通過一些主觀和客觀的比較，可以驗證本算法的優(yōu)越性。
　　針對圖像的底層處理，提出了基于K均值的中值濾波算法和基于遞歸的K均值的中值濾波算法。這一方法可以解決標準中值濾波算法的一些錯誤的結(jié)果，同時從另一方面對耗時較多的 K均值方法進行了優(yōu)化，大大減少了處理時間。針對基于特征值求解圖分類的方法中，利用代數(shù)多重網(wǎng)格和圖分類方法之間的聯(lián)系，提出了一種利用拉普拉斯矩陣的

4、特征值建立代數(shù)多重網(wǎng)格中粗網(wǎng)格的方法，并從理論上分析和從實踐上證明了特征值選取的原則和有效性，其結(jié)果符合粗網(wǎng)格選取的兩個基本原則。
　　針對基于能量函數(shù)的圖分類方法，對能量函數(shù)進行了研究，建立了等效于區(qū)域生長和 K均值等方法的等效能量函數(shù)。對于具體的圖像分割問題，提出了多種結(jié)合圖分類方法的特征，如小波算子，分數(shù)階微分算子和代數(shù)多重網(wǎng)格算子。這些算子對于某類型的圖片能夠得到更為精細的結(jié)構(gòu)和紋理特征。本文還將圖分類方法和OTSU方法結(jié)

5、合來進行處理，能夠提取更為準確的輪廓特征。
　　使用代數(shù)多重網(wǎng)格中提取的粗網(wǎng)格重建的結(jié)果進行特征表達，可以有效地提高特征的對比度，提高物體識別的能力。從人臉識別到多組物體識別，分別進行了一些實踐研究。結(jié)果證明根據(jù)粗網(wǎng)格提取的特征能顯著提高特征的對比度和物體識別率。在對單種物體的物體識別中，通過支持向量機方法學習和訓練，結(jié)合適當?shù)膱D像特征和圖像描述方法能夠得到很好的識別結(jié)果。在針對多組物體識別中，提出了一種結(jié)合區(qū)域分割和圖理論的“詞