基于小波分析的自动目标识别系统中二维图像的特征提取与识别方法研究

摘要

自动目标识别的本质是模式识别问题,特征提取是模式识别系统的重要组成部分,为正确分类提供了有力的保证.为了提高分类处理的速度和精度,需选择具有代表性的特征,而且这些特征应具有比例、旋转、平移不变性.小波变换具有多分辨经特点,并且这种特点呈塔形分解形式,这种分解方式与人由粗到细,逐渐辨识图像的思维方式是吻合的.文中讨论了两种基于小波变换的二维图像特征提取方法:线性矩的多分辨分析、小波矩的图像识别,阐述了各方法的基本原理及实现过程.线性矩的多分辨分析方法是首先将图像的二维信息转换为一维信息:线性矩,然后利用多分辨正交基对线性矩进行交换,计算其各分辨率下的信号的能量及经FFT变换的值,获取特征矢量.为减少计算量和数据量,对此方法进行了改进,使特征的选取更为方便.此外,还讨论了小波矩的图像识别算法,小波矩除了具有矩的平移、缩放和旋转不变性外,还能够把握图像的细节特征.决策分类是目标识别中要解决的关键问题.文中研究了最小距离分类器和神经网络在模式分类中的应用.应用多分辨分析与串、并联神经网络相结合对目标进行识别获得了较高的识别率.将小波矩特征分别与最小距离分类器和神经网络相结合形成图像识别系统,成功实现了对实验室条件下两类在平面上由0到360度旋转的目标的识别.

目录

文摘

英文文摘

东南大学学位论文独创性声明和东南大学学位论文使用授权声明

第一章绪论

1.1小波分析理论与应用

1.1.1小波分析发展概述

1.1.2小波分析应用进展

1.1.3小波分析在特征提取方面的应用

1.2本文的主要内容及安排

1.2.1主要内容

1.2.2结构安排

第二章数学工具

2.1 Fourier分析

2.1.1离散Fourier变换(DFT)

2.1.2快速Fourier变换(FFT)

2.1.3窗口Fourier变换(WFT)基本思想

2.2小波分析

2.2.1连续小波变换

2.2.2离散小波变换

2.2.3多分辨分析

2.2.4小波变换的快速算法

2.2.5本文选用的小波简介

第三章二维图像识别中不变特征与识别方法

3.1模式识别概述

3.1.1模式识别的基本概念

3.1.2模式识别系统

3.1.3模式识别的主要理论和方法

3.2特征不变量概述

3.2.1同心圆圆环面积比

3.2.2矩

3.2.3 Fourier描绘算子

3.2.4通过Fourier系数提取的形状特征

3.3距离函数模式分类

3.4神经网络模式识别

3.4.1人工神经网络简介

3.4.2人工神经网络的结构、类型及特点

3.4.3 BP网络

3.4.4神经网络模式识别概述

第四章基于多分辨分析的特征提取与目标识别

4.1引言

4.2基于线性矩和多分辨正交基的目标识别

4.2.1线性矩的构造

4.2.2正交基扩展(The Orthonormal Shell Expansion)

4.2.3特征量的构造

4.2.4仿真实验

4.3基于线性矩和小波变换的目标识别

4.3.1算法介绍

4.3.2仿真实验

4.3.3神经网络识别系统的子系统的选择与训练

第五章小波矩在二维图像识别中的应用

5.1引言

5.2小波矩构造

5.2.1图像归一化：

5.2.2图像极坐标化

5.2.3通过傅立叶变换和小波变换获取特征

5.3分类识别

5.3.1特征提取的结果

5.3.2最小距离分类器分类结果

5.3.3神经网络分类结果

第六章结论

致 谢

参考文献

作者在攻读硕士期间发表的学术论文