紋理圖像分類系統(tǒng)及其關鍵技術研究.pdf

1、隨著互聯(lián)網(wǎng)技術的不斷發(fā)展，數(shù)字多媒體技術以及智能信息處理技術的廣泛應用，基于大型圖像數(shù)據(jù)庫的圖像處理越來越受到人們的關注，而圖像分類是圖像處理的一個重要研究內(nèi)容。其中圖像信息的描述以及圖像的分類方法是圖像分類的兩個關鍵技術，針對這兩個關鍵技術，論文從圖像的紋理特征提取技術和分類技術兩方面研究了基于紋理的圖像分類，用以實現(xiàn)高效的紋理圖像分類系統(tǒng)。
　　論文首先對現(xiàn)有的特征提取算法和圖像分類算法進行總結和分析，并提出了相應的算法。針對

2、圖像的紋理特征提取算法，通過研究多種基于紋理的圖像特征的描述和提取方法，著重分析了灰度共生矩陣方法和雙樹復小波方法，提出了結合二者特點的特征提取算法：復小波域的灰度共生矩陣法(CW-GLCM)，算法首先用雙樹復小波變換(DT-CWT)構造Q_shift正交濾波器，然后用濾波器對原始圖像進行四層分解得到圖像的低頻和高頻子帶圖像，算法選取低頻子帶圖像并計算該圖像四個方向上的灰度共生矩陣，最后計算每個共生矩陣的能量、熵、慣性矩和局部平穩(wěn)性四個

3、特征參數(shù)，并計算他們的均值和方差來構造特征向量。針對圖像分類算法，論文總結了前人的各種圖像分類方法，對支持向量機算法(SVM)進行重點研究，并從核函數(shù)及其參數(shù)、學習算法以及多分類方法幾個角度分析SVM，提出了適用于復雜紋理圖像分類的基于支持向量機的紋理圖像多分類模型(TICM-SVM)，模型采用徑向基內(nèi)積函數(shù)(RBF)作為SVM的核函數(shù)，使用測試工具確定核函數(shù)的g參數(shù)和SVM的C參數(shù)，并采用論文中提出的自適應序貫最小優(yōu)化算法(SMO)作