基于机器学习技术的图像处理应用研究

摘要

机器学习，顾名思义，是一个让机器去自主学习的过程。在这个过程中，使计算机模拟人类的学习行为，通过对历史数据的学习，得到一个计算或者认识的模型。并且，伴随着学习过程的持续，它能不断更新并完善自身的性能。相对于传统的学科，机器学习还是一个比较全新的领域，随着人们对该领域研究的加深，一方面，产生了很多的优秀的算法；另一方面，机器学习的应用也日益广泛,比如，医院的专家系统到图书馆的书目分类研究，图像处理领域的自动目标跟踪研究，再到围棋博弈以及无人驾驶等等，无一不涉及机器学习这一重要技术领域。实际上，在生活中许多涉及经验积累的领域，我们都可以将机器学习方法应用其中，创造更多的便利以及更好的效益。本文研究内容的核心就是机器学习技术，主要完成的工作如下：
　　（1）介绍了机器学习技术的一些基本理论知识，分类方法以及应用的情况。通过对这些传统算法的剖析和研究，为下文的应用提供了理论基础。
　　（2）提出了一种基于机器学习技术的医学图像分割的方法。近年来，医学图像的分割的形势是：从人工的手动分割或半自动的分割转向全自动分割的方向去发展,而基于机器学习的医学图像分割就能有效的实现医学图像的全自动分割。通过对机器学习技术中经典算法的研究和分析。本文将机器学习技术中的有监督学习算法（随机森林）应用到了医学眼底图像的血管自动分割过程中。并在两个公开的数据库（DRIVE和STARE）上进行实验。将得到的结果进行统计分析，并与前人的结果进行对比。最终证明了本文算法的优越性。
　　（3）提出了一种基于机器学习技术的金刚石吸附检测系统设计方法。机器学习和机器视觉都是目前炙手可热的研究领域。本文将会结合机器视觉软件Halcon10.0做图像的预处理，提取出预处理后的图像的特征属性，人工标记标签后，组成训练样本集，再利用机器学习中的经典分类算法SVM，C4.5以及CART决策树算法分别对训练样本集进行训练，并建立分类模型。最后将分类效果较好的模型用来对新采集的图像进行自动分类，最终完成系统的分类过程。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究背景与意义

1.2 课题研究的现状

1.3 主要研究内容及结构安排

第2章 机器学习概述

2.1 引言

2.2 监督学习

2.3 无监督学习

2.3 本章小结

第3章 基于机器学习的医学图像分割

3.1 引言

3.2 随机森林概述

3.3 医学图像分割算法概述

3.4 测试实验

3.5 实验结果统计分析

3.6 本章小结

第4章 基于机器学习的金刚石吸附检测

4.1 引言

4.2 系统设计思路

4.3 算法的实验结果

4.4 小结

第5章 总结与展望

5.1 工作总结

5.2 展望

参考文献

致谢

攻读硕士学位期间主要的工作成果