多特征双重加权纹理分割

摘要

纹理图像分割是图像处理和计算机视觉等领域中一个非常重要的研究课题,一直以来都深受国内外研究者的重视。纹理同灰度和形状等均属于图像中非常重要的属性,目前在地形地貌分类、多媒体内容检索、农作物生长检测、医学图像分析、工业缺陷检测等许多领域中均有广泛的应用。纹理分析已逐渐成为图像处理和计算机视觉的核心领域。
　　纹理分割作为纹理分析的一个重要组成部分,是指将图像按照某种特性分成若干个区域的技术和过程。依据特征提取算法的不同可以将纹理分割分为四大类:统计法、结构法、模型法和信号处理法。以上各种纹理分析方法都能够有效的提取纹理特征,在实际应用中也得到了长足的发展。但面对复杂多变的自然纹理图像,上述方法通常会显得无所适从。另外,由于纹理表述的不完善性,加之人类对纹理的感知机理的研究还不够成熟。基于以上原因,纹理图像分割无论是以前还是现在,在图像处理方面都是一大难题。
　　本文对纹理特征提取算法和特征加权进行了深入研究,针对目前纹理图像分割存在的问题和不足,提出一种新的纹理分析方法,即将灰度共生矩阵和四元数小波变换相结合来共同描述图像纹理特征。在此基础上,对融合特征依据特征重要性和算法有效性进行特征加权。利用改进的ReliefF算法和相关性度量解决特征内权值的设定问题;利用SVM解决特征间加权问题,最后将双重特征加权结合FCM应用于纹理分割。实验结果表明,该方法在人工合成纹理和自然纹理图像中均有较好的性能,并且较其它特征加权算法分割准确度更高。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究的目的和意义

1.2 纹理概述

1.3 国内外研究现状

1.4 论文主要工作安排

1.5 本章小结

第二章 纹理图像特征提取方法

2.1灰度共生矩阵

2.2四元数代数

2.3 四元数小波变换

2.4 本章小结

第三章 多特征融合纹理分割

3.1基于灰度共生矩阵的纹理特征提取

3.2 基于四元数小波变换的特征提取

3.3 特征平滑

3.4 聚类算法

3.5 实验结果和总结

3.6 本章小结

第四章 多特征双重加权纹理分割

4.1 ReliefF特征加权

4.2 NSDM-WFCM特征加权

4.3 基于FIW的特征重要性加权

4.4 基于AVW的算法有效性加权

4.5 多特征双重加权纹理分割(FIAV-WFCM)

4.6实验结果和总结

4.7本章小结

第五章 总结与展望

5.1 全文总结

5.2 研究展望

参考文献

硕士期间发表的论文和参与的科研项目

致谢