基于二次分割的多特征图像分类方法研究

摘要

随着计算机、通信和多媒体技术的高速发展，特别是互联网络的出现和大范围普及，数据图像呈爆炸式增长趋势，使图像资源数量迅速增加，过去基于关键字的分类技术显然不能满足人们的需要。目前实现对图像快速、准确地分类是研究的一个热点课题，基于内容的图像分类技术因此应运而生。
　　图像分类是非常具有挑战性的一个领域，它在医学诊断、侦察犯罪、GIS等领域可以发挥重要的作用，但目前还没有统一的系统能够显著地提高所有类型图像分类的准确率。
　　为了有效提高其分类效果，本文针对图像分类系统中的一些关键技术和主要算法进行了如下几方面的研究:
　　(1)本文提出一种基于二次分割的彩色图像分割算法，首先采用SOM算法对图像进行一次分割，再用k-means对图像进行二次分割，与传统的基于SBN或基于SOM一次图像分割方法相比，本文方法可取得较好的分割效果。
　　(2)综合多种特征对图像进行分类。特征提取是图像分类中的关键技术，图像特征的有效表示直接影响图像分类系统的分类效果。由于单一特征不能有效描述图像，不能很好的表示图像内容，在本论文所实现的分类系统中，采用综合图像的颜色、纹理和形状特征，共14个特征向量来有效表示图像内容。本文综合多种特征来对图像进行分类，并给出了分类的实验结果。
　　(3)基于支持向量机的图像分类方法的研究。支持向量机的优点是不需要特定问题的先验知识，能够较好解决小样本学习问题。本文分别针对两类图像，即简单图像和复杂图像的实际情况，用支持向量机对图像进行分类。
　　本文研究结果表明，在基于内容的图像自动分类中充分考虑以上几项技术，能大大提高图像分类的准确率，从而能够更好地为图像处理研究领域服务。

目录

摘要

第一章 绪论

1．1 选题背景及意义

1．2 国内外研究现状

1．2．1 图像分割方法的研究

1．2．2 图像特征的提取与表示

1．2．3 图像分类算法的研究

1．3 本文的研究内容与组织结构

第二章 基于图像内容的特征分析与表示方法

2．1 颜色空间模型及其转换

2．2 图像特征的提取

2．2．1 颜色特征

2．2．2 纹理特征

2．2．3 形状特征

2．3 分类评价标准

2．4 本章小结

第三章 图像分割

3．1 图像分割的数学描述

3．2 常用的图像分割方法

3．2．1 基于阈值的图像分割

3．2．2 基于边缘检测的图像分割

3．2．3 基于区域的图像分割

3．2．4 基于聚类的图像分割

3．3 本文提出的彩色图像分割方法

3．4 实验结果及分析

3．5 本章小结

第四章 区域特征的提取与表示

4．1 提取区域特征的步骤

4．2 特征提取

4．2．1 颜色特征

4．2．2 纹理特征

4．2．3 形状特征

4．3 特征归一化

4．4 本章小结

第五章 基于SVM的图像分类方法

5．1 支持向量机简介

5．2 基于支持向量机的简单图像分类

5．2．1 简单图像的特征分析

5．2．2 支持向量机分类算法

5．2．3 实验结果及分析

5．3 基于支持向量机的复杂图像分类

5．3．1 多示例多标记概念

5．3．2 区域特征的提取

5．3．3 支持向量机分类算法

5．3．4 实验结果及分析

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

发表文章目录

致谢

个人简况及联系方式

声明