基于NSCT和支持向量機(jī)的紋理特征識(shí)別方法研究.pdf

1、紋理特征是將圖像內(nèi)部灰度級(jí)的變化進(jìn)行量化的表示。圖像的紋理分析與識(shí)別是圖像處理的重要研究?jī)?nèi)容之一，具有廣闊的應(yīng)用前景。近年來(lái),眾多學(xué)者已經(jīng)對(duì)紋理分析進(jìn)行了大量的研究，雖然取得了許多顯著的成果，但目前來(lái)說(shuō)，紋理分析仍然是一個(gè)復(fù)雜且需要深入研究的問(wèn)題。紋理特征的提取是進(jìn)行紋理分析的基礎(chǔ)，是決定樣本之間相似性和分類器設(shè)計(jì)的關(guān)鍵。如何提取出特征維數(shù)小、計(jì)算簡(jiǎn)單，同時(shí)又能夠最優(yōu)地表示圖像的紋理特征，是紋理特征提取中的重點(diǎn)和難點(diǎn)。本文在深入研究圖像

2、紋理特征提取方法的基礎(chǔ)上，結(jié)合非下采樣Contourlet變換與支持向量機(jī)來(lái)進(jìn)行圖像的紋理特征提取和識(shí)別，尋找在SVM識(shí)別方法下能夠表示圖像紋理的最優(yōu)特征向量，并應(yīng)用到醫(yī)學(xué)顱腦CT圖像的紋理識(shí)別。工作主要有以下幾個(gè)方面：
　　1、對(duì)圖像紋理特征表示方法進(jìn)行了深入的研究。非下采樣Contourlet變換具有多方向、多尺度選擇性、各向異性和平移不變性，能在更精細(xì)的尺度上分析紋理。通過(guò)非下采樣Contourlet變換將空間域的紋理圖像變

3、換到頻率域，在頻率域中提取紋理特征對(duì)圖像進(jìn)行表示。
　　2、在非下采樣Contourlet變換的基礎(chǔ)上，分別提取分解后各子帶圖像的紋理特征，尋找更多的能夠反映圖像紋理特征的度量組成組合特征向量，并對(duì)特征向量進(jìn)行選擇、降維處理。選擇合適的參數(shù)建立支持向量機(jī)模型。將提取的特征向量作為支持向量機(jī)的輸入進(jìn)行分類識(shí)別。選取了標(biāo)準(zhǔn)Brodatz紋理庫(kù)圖像進(jìn)行仿真實(shí)驗(yàn)，仿真結(jié)果表明，低頻子帶均值方差和高頻子帶能量組成特征向量組作為圖像紋理特征進(jìn)

4、行分類識(shí)別時(shí)，識(shí)別率較高，特征維數(shù)相對(duì)較少，計(jì)算簡(jiǎn)單，因此是在SVM識(shí)別方法下能夠最優(yōu)表示圖像紋理的特征。
　　3、針對(duì)醫(yī)學(xué)CT圖像的特點(diǎn)，結(jié)合非下采樣Contourlet變換與支持向量機(jī)的優(yōu)點(diǎn)，對(duì)顱腦CT圖像進(jìn)行分類識(shí)別，提取NSCT分解后低頻子帶均值和方差及高頻子帶能量組成特征向量組作為顱腦CT圖像的紋理特征，用SVM進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明，本文提取的特征對(duì)非病變顱腦CT圖像識(shí)別率為96.67％，對(duì)病變顱腦CT圖像識(shí)別率為90