基于支持向量机与集成学习的纹理合成及分类

摘要

纹理合成及分类是近年来一个比较活跃的研究领域,在数字图像处理、计算机视觉以及模式识别领域有着非常广泛的应用背景。
　　 纹理合成的目的是产生一幅比样本图像大的新图像,新图像的纹理特征与样本图像相同。目前二维纹理合成技术已较为成熟,与二维纹理不同,现实世界中存在的三维表面纹理具有粗糙的几何表面和不同的反射属性,同一幅纹理在不同光照条件和不同观察角度下呈现出的形态不同。然而,二维纹理合成方法并没有考虑光照和视角变化的影响,因此,对三维表面纹理合成进行研究更有现实意义。作为模式识别领域的一个重要分支,纹理分类的目的是识别出具有不同纹理特征的物体的各种表现形式。
　　 本文对纹理合成、纹理分类以及纹理特征选择三个方面进行了介绍。
　　 本文首先介绍了几种二维纹理合成算法以及模式识别领域中特征提取、选择和分类的几种方法,进而展开对纹理合成和分类的研究。基于支持向量机的纹理合成算法能成功合成结构性纹理,但对随机纹理合成失败,在该算法基础上,本文采用支持向量机和多种子块相结合的方法,提出了适用于结构纹理和随机纹理的二维纹理合成算法,并将该算法拓展到三维表面纹理合成上。然后介绍了一种新的纹理分类方法,利用不同纹理表现数据训练后得到的模型不同的特点,使用两次SVM训练进行特征提取、分类。最后针对纹理合成及分类实验中训练及预测(合成)速度过慢的问题,提出了一种基于Bagging集成学习的特征选择方法,用来减少特征数量提高执行速度。实验结果表明,本文所介绍的有关纹理合成、分类以及特征选择的方法是行之有效的。