基于二维熵图像处理和SVM的空中目标识别研究

摘要

基于图像的目标识别技术己经在诸多领域得到了广泛的应用，目前，它已渗透到了医学、工业生产、航空航天、交通运输等各个领域。支持向量机(SupportVectorMachine)在解决小样本、非线性以及高维识别等分类问题方面有突出优势，现已成为机器学习和数据挖掘领域的标准工具。论文研究基于二维熵图像处理和SVM的空中目标分类识别。
　　 针对空中目标容易发生旋转、尺度变化、遮挡以及对比度低等特点，提取了样本图像的轮廓特征、形状特征和统计特征构成的组合特征，并将基于统计学习理论的支持向量机(SVM)应用到了分类器设计上。图像分割的质量严重影响着后续的特征提取，进而影响算法识别率。论文中分析了传统二维直方图及其区域划分存在的不足，在二维熵图像阈值分割应用中有用信息丢失，不能有效消除噪声干扰。提出了基于灰度一梯度共生矩阵模型的二维Renyi熵和二维Alimoto熵两种新的图像阈值分割方法，实验结果表明，这两种方法具有很强的抗噪性，能很好的刻画目标的边界信息，有利于后续的特征提取。用新的图像阈值分割方法对空中飞机目标进行了分割，在特征提取的过程中发现，新方法刻画的目标边缘比较完整，适应性比较强。
　　 在研究了支持向量机模型及参数选择后，计算提取了样本图像的归一化组合特征矩阵，用LIBSVM完成了目标的模型训练，初步构建了空中目标分类识别系统。仿真实验证明文中的分类识别算法具有较强鲁棒性和满意的分类精度。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究的背景及意义

1.2 国内外研究现状

1.2.1 图像信息处理的发展概况

1.2.2 图像目标特征提取研究概况

1.2.3 图像目标识别技术研究综述

1.3 论文的研究内容及章节安排

第2章 基础知识和理论

2.1 图像滤波去噪

2.1.1 图像噪声综述

2.1.2 中值滤波

2.2 图像直方图

2.2.1 一维直方图

2.2.2 二维直方图

2.3 统计学习理论

2.4 本章小结

第3章 图像阈值分割与特征提取

3.1 图像分割概述

3.2 一种基于灰度-梯度信息二维Renyi熵图像阈值分割方法

3.2.1 灰度．邻域灰度均值二维直方图区域划分分析

3.2.2 灰度-梯度二维Renyi熵阈值选取

3.2.3 仿真实验结果

3.3 改进的二维Arimoto熵图像阈值分割方法

3.3.1 二维Arimoto熵阈值选取

3.3.2 仿真实验结果

3.4 图像目标特征提取

3.4.1 图像轮廓特征

3.4.2 图像形状特征

3.4.3 图像统计特征

3.5 本章小结

第4章 基于SVM的空中目标识别

4.1 支持向量机模型及参数选择

4.1.1 线性可分最优分类

4.1.2 非线性可分最优分类

4.1.3 支持向量机核函数

4.2 SVM空中目标识别

4.2.1 图像目标预处理及特征提取

4.2.2 SVM分类器设计

4.3 仿真实验结果与分析

4.4 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢