圖像紋理分析及分類(lèi)方法研究.pdf

1、紋理圖像分析是模式識(shí)別領(lǐng)域和計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要研究?jī)?nèi)容，在科學(xué)研究領(lǐng)域和工程技術(shù)方面有著非常廣泛的應(yīng)用背景。提取紋理特征描述子是進(jìn)行紋理分析的基礎(chǔ)，在最近幾十年內(nèi)，人們已在紋理特征描述方面做了大量的研究工作，并取得了許多研究成果，但大多數(shù)提取的紋理特征具有這樣或者哪樣的不足，例如統(tǒng)計(jì)紋理特征、濾波器紋理特征以及結(jié)構(gòu)化的紋理特征均假定紋理特征是靜態(tài)提取的，即紋理圖像是在理想狀態(tài)下獲取的，沒(méi)有考慮到照相機(jī)的拍攝位置變化，如由于視角變化引

2、起的紋理縮放、不規(guī)則變形以及各種可能的仿射變換等。雖然在進(jìn)行紋理分類(lèi)時(shí)，本文可以采樣多種視角下的紋理圖像特征來(lái)提高分類(lèi)效果，但是我們?nèi)匀豢赡苊媾R訓(xùn)練樣本不足的問(wèn)題。實(shí)際應(yīng)用中，由于技術(shù)和客觀(guān)原因，我們不可能采樣所有的拍攝角度或照相機(jī)焦距來(lái)獲取紋理圖像，所以針對(duì)實(shí)際問(wèn)題，以上的方法可能達(dá)不到理想的效果。所以紋理特征描述依舊是一個(gè)需要進(jìn)一步研究的問(wèn)題。 本文中我們提出了一種基于DoG(高斯差分濾波器)的關(guān)鍵點(diǎn)紋理特征描述子，因?yàn)殛P(guān)鍵

3、點(diǎn)特征對(duì)因照相機(jī)移動(dòng)引起的各種圖像幾何變換非常穩(wěn)定，所以基于關(guān)鍵點(diǎn)的紋理描述子具有穩(wěn)定性好、重復(fù)性高的特點(diǎn)。特別地，本文提出用eDoG(橢圓高斯核)算子來(lái)搜索關(guān)鍵點(diǎn)共生對(duì)中穩(wěn)定的空間共生情況；而且本文建議一種新的多網(wǎng)格的關(guān)鍵點(diǎn)特征描述子。實(shí)驗(yàn)結(jié)果表明，關(guān)鍵點(diǎn)之間的共生關(guān)系可以作為一種有效的紋理特征來(lái)刻畫(huà)紋理，從而提高了紋理圖像的識(shí)別能力；另外，本文發(fā)現(xiàn)，增強(qiáng)關(guān)鍵點(diǎn)的描述能力同樣可以提高紋理描述子的表達(dá)效果。經(jīng)過(guò)在多個(gè)紋理數(shù)據(jù)庫(kù)上的比較，

4、本文認(rèn)為基于關(guān)鍵點(diǎn)特征的紋理描述子具有十分廣泛的應(yīng)用前景。 模式分類(lèi)方法是特征提取的后續(xù)階段。即使模式的特征完全相同，不同的模式分類(lèi)方法有可能產(chǎn)生完全不同的效果。恰當(dāng)?shù)哪Ｊ阶R(shí)別方法會(huì)產(chǎn)生好的識(shí)別效果。反之，如果模式分類(lèi)的算法存在缺陷，有可能得不到理想的識(shí)別效果。本文提出兩種改進(jìn)的統(tǒng)計(jì)最近鄰方法(kNN)和人工神經(jīng)網(wǎng)絡(luò)方法(ANN)。 首先，本文分析了kNN方法的缺點(diǎn)，即：當(dāng)類(lèi)樣本的分布發(fā)生重疊時(shí)，在重疊區(qū)域有很多噪聲訓(xùn)練

5、樣本(負(fù)面樣本)，這些噪聲樣本使分類(lèi)器過(guò)擬合訓(xùn)練集，從而產(chǎn)生較差的泛化性能。所謂噪聲是指落在理論決策邊界錯(cuò)誤一側(cè)的訓(xùn)練樣本，在分類(lèi)過(guò)程中，這些樣本對(duì)提高分類(lèi)率沒(méi)有任何作用。本文我們建議一種加權(quán)的近鄰域平均機(jī)制來(lái)減少這種噪聲的數(shù)量，即局部概率中心方法。局部概率中心方法以CAP方法為基礎(chǔ)但是具有更強(qiáng)的減少噪聲能力，因此提高了kNN的分類(lèi)效果。同時(shí)，本文考察兩種分類(lèi)度量尺度，一種尺度是利用查詢(xún)點(diǎn)到計(jì)算所得的查詢(xún)點(diǎn)附近的各類(lèi)概率中心的歐式距離作

6、為分類(lèi)查詢(xún)點(diǎn)的依據(jù)；另一種尺度是根據(jù)計(jì)算所得的查詢(xún)點(diǎn)的后驗(yàn)概率作為分類(lèi)依據(jù)。本文從理論上分析了概率中心算法的性能；而且本文采用了一系列的數(shù)據(jù)集對(duì)提出的算法進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，雖然兩種方法都得到了較好的性能，第二種尺度更為有效。本文用建議的方法來(lái)分類(lèi)紋理圖像，取得了更好的效果。 其次，神經(jīng)網(wǎng)絡(luò)算法存在訓(xùn)練時(shí)間長(zhǎng)、識(shí)別機(jī)理難以解釋等缺陷。特別地，在不平衡的分類(lèi)問(wèn)題中，用常規(guī)的基于最小平方誤差的方法(BP)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器常常

7、對(duì)大類(lèi)產(chǎn)生過(guò)補(bǔ)償。由于網(wǎng)絡(luò)在訓(xùn)練時(shí)容易受到優(yōu)勢(shì)類(lèi)的支配，經(jīng)常導(dǎo)致小類(lèi)的正確識(shí)別率相當(dāng)?shù)蜕踔帘煌耆暮雎缘?，由此可能造成?yán)重的后果。我們?cè)O(shè)想按照一定的原則取優(yōu)勢(shì)類(lèi)的一部分樣本與劣勢(shì)類(lèi)一起訓(xùn)練網(wǎng)絡(luò)，可以使網(wǎng)絡(luò)被平衡地訓(xùn)練，從而照顧了各方面的利益。因此本文提出了一種動(dòng)態(tài)閾值的訓(xùn)練方法來(lái)代替常用的最小均方誤差方法，該方法通過(guò)設(shè)置動(dòng)態(tài)閾值來(lái)去除一部分已經(jīng)分類(lèi)正確的樣本，因?yàn)榇箢?lèi)往往有更多的樣本被分類(lèi)正確，因此將去除更多的訓(xùn)練樣本，這在一定程度上照