基于Gabor小波變換與支持向量機(jī)的紋理圖像分割.pdf

1、紋理分割是圖像處理和模式識(shí)別中一個(gè)重要的研究?jī)?nèi)容，一直以來(lái)是人們研究的熱點(diǎn)。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(diǎn)。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(shí)際的農(nóng)業(yè)害蟲(chóng)圖像，提出了將Gabor小波變換，AdaBoost學(xué)習(xí)算法和支持向量機(jī)相結(jié)合的紋理分割方法。主要工作包括以下幾個(gè)方面： (1)利用Gabor小

2、波變換與高等動(dòng)物視覺(jué)皮層簡(jiǎn)單細(xì)胞的接收?qǐng)鼍哂邢嗨频奶匦?，提取圖像的紋理特征向量，并對(duì)此方法進(jìn)行了詳細(xì)的分析。 (2)改進(jìn)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(gè)特征向量中的特征的線(xiàn)性分類(lèi)能力的基礎(chǔ)上，通過(guò)弱學(xué)習(xí)過(guò)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(lèi)準(zhǔn)確率。 (3)分類(lèi)過(guò)程采用國(guó)際模式識(shí)別領(lǐng)域首選的分類(lèi)器一支持向量機(jī)，選用徑向基函數(shù)為支持向量機(jī)的核函數(shù)

3、，采用遺傳算法對(duì)其參數(shù)進(jìn)行優(yōu)化搜索以對(duì)Gabor+AdaBoost特征進(jìn)行訓(xùn)練，減少了以往應(yīng)用中需要反復(fù)實(shí)驗(yàn)來(lái)確定其參數(shù)的人工工作量。 本文在農(nóng)業(yè)害蟲(chóng)圖像庫(kù)上作了大量有意義的實(shí)驗(yàn)，分別采用Gabor+BP，Gabor+SVM和本文提出的Gabor+AdaBoost+SVM方法進(jìn)行圖像分割，實(shí)驗(yàn)結(jié)果表明Gabor特征向量魯棒性強(qiáng)，但高維較高，存在眾多的冗余信息，會(huì)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(duì)Ga