基于小波高階統(tǒng)計(jì)量和最小分類(lèi)錯(cuò)誤概率的紋理分類(lèi)算法研究.pdf

1、紋理圖像是由緊密交織在一起的基元組成的某種結(jié)構(gòu)，具有局部的不變規(guī)則和整體的規(guī)律性。紋理分類(lèi)是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的一個(gè)基礎(chǔ)性問(wèn)題，有著重要的研究意義，其研究成果在圖像分割、圖像檢索、模式識(shí)別、機(jī)器視覺(jué)等領(lǐng)域中都有重要的應(yīng)用。 紋理圖像的一個(gè)本質(zhì)特性是具有超高斯概率密度分布；另外，當(dāng)選取小波變換作為紋理變換的算法時(shí)，圖像的小波表達(dá)具有非高斯分布特征。在特征選取方面，目前大家用的最多的是二階統(tǒng)計(jì)量(如方差)。但是二階統(tǒng)計(jì)量本質(zhì)上是無(wú)法

2、全面描述非高斯特征的。為了解決這一問(wèn)題，本研究中，我們選取高階統(tǒng)計(jì)量，如偏態(tài)系數(shù)(skewness)和尖態(tài)系數(shù)(kurtosis)作為描述紋理圖像信息的特征。將高階統(tǒng)計(jì)量融入到紋理的特征表達(dá)可以有兩種方式。第一種是將高階統(tǒng)計(jì)量和二階統(tǒng)計(jì)量結(jié)合使用的緊湊表達(dá)方式，這種方式可以提高所提取的特征對(duì)于圖像信息的描述能力，進(jìn)而在此基礎(chǔ)上提高圖像的分類(lèi)準(zhǔn)確率。另外一種是選取譜直方圖(spectral histograms)作為特征來(lái)描述紋理信息的全

3、面表達(dá)方式，它是采用圖像濾波變換后的概率分布來(lái)特征化圖像信息，這樣更有利于紋理圖像信息的表達(dá)。該研究中，這兩種方式均得到了運(yùn)用。 分類(lèi)器的性能是和判別式準(zhǔn)則的選擇緊密相聯(lián)的，一個(gè)令人滿(mǎn)意的判別式準(zhǔn)則應(yīng)該與分類(lèi)的性能相一致，并且應(yīng)該易于實(shí)現(xiàn)分類(lèi)器參數(shù)的最優(yōu)化。目前普遍使用的判別式準(zhǔn)則有感知器準(zhǔn)則、松弛準(zhǔn)則和最小平方誤差(MSE)準(zhǔn)則。以上三種判別式準(zhǔn)則的最大缺點(diǎn)在于：它們的決策準(zhǔn)則沒(méi)有深入到用函數(shù)形式表示的適合最優(yōu)化的誤差函數(shù)里，

4、結(jié)果導(dǎo)致判別式準(zhǔn)則與最小分類(lèi)錯(cuò)誤概率的目標(biāo)不相一致。因此，使用這三種判別式準(zhǔn)則去設(shè)計(jì)分類(lèi)器的話(huà)，分類(lèi)器并不能達(dá)到最優(yōu)化的效果，從而分類(lèi)的結(jié)果也達(dá)不到最小錯(cuò)誤率的要求。為了解決這一問(wèn)題，本研究中，我們使用了一種新的判別式準(zhǔn)則一最小分類(lèi)錯(cuò)誤(MCE)準(zhǔn)則，它用函數(shù)的形式來(lái)表達(dá)決策過(guò)程，這樣更利于最優(yōu)化的實(shí)現(xiàn)。同傳統(tǒng)的判別式準(zhǔn)則相比，MCE準(zhǔn)則與最小分類(lèi)錯(cuò)誤概率的目標(biāo)更加一致。因此，建立在MCE準(zhǔn)則基礎(chǔ)上的分類(lèi)器設(shè)計(jì)將能真正的滿(mǎn)足最優(yōu)化的條件