基于圖譜理論的圖像分類算法研究.pdf

1、圖像是人們視覺(jué)感知外界事物、傳達(dá)各種信息的常用方法之一。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,人們對(duì)圖像處理進(jìn)行的相關(guān)研究越來(lái)越多。圖像處理所涉及的研究領(lǐng)域很廣,其中圖像分類就是一個(gè)重要的研究分支。
　　圖像分類的基本思想是以圖像特征的相似度作為衡量標(biāo)準(zhǔn),將先驗(yàn)知識(shí)與特征空間中的樣本點(diǎn)進(jìn)行比較,把相似的樣本點(diǎn)進(jìn)行歸類;圖像分類的根本目的是按照某一標(biāo)準(zhǔn),從若干幅圖像中找出圖像的共性,把具有A特征的圖像歸為一類,而把具有B特征的圖像歸為另一類;圖

2、像分類的基本流程,主要包括并依次經(jīng)過(guò)預(yù)處理、特征提取和分類等三個(gè)階段;圖像分類的重要意義,在于它的理論價(jià)值和應(yīng)用價(jià)值。
　　在圖像分類中,如何對(duì)圖像進(jìn)行特征提取以及怎樣選擇優(yōu)化的分類器,直接影響圖像分類結(jié)果。本文以圖譜理論為基礎(chǔ),主要研究了圖像特征提取的三種算法,同時(shí)選取幾種常用的模式識(shí)別分類器對(duì)圖像進(jìn)行了分類。其主要研究?jī)?nèi)容和成果如下:
　　1、提出了一種基于譜編輯距離的圖像分類算法。該算法利用圖像結(jié)構(gòu)信息的相似性,根據(jù)每

3、幅圖像中特征點(diǎn)間的相鄰關(guān)系構(gòu)造鄰接矩陣,并對(duì)其進(jìn)行奇異值分解得到特征值,再把經(jīng)過(guò)歸一化后的特征值通過(guò)協(xié)方差矩陣投影到特征空間中,然后分別用徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)兩種分類器完成對(duì)圖像的分類。最后通過(guò)模擬圖像實(shí)驗(yàn)和真實(shí)圖像實(shí)驗(yàn),說(shuō)明鄰接譜投影在特征空間中的特征值向量,與圖像結(jié)構(gòu)之間存在著直接的對(duì)應(yīng)關(guān)系,能夠刻畫

4、圖像的結(jié)構(gòu)信息。與此同時(shí),根據(jù)鄰接矩陣的特征值在特征空間中的投影值,計(jì)算得到每?jī)煞鶊D像間的歐式距離,并由數(shù)學(xué)推導(dǎo)驗(yàn)證了譜編輯距離能夠較好地反映圖像的結(jié)構(gòu)信息,所提取的圖像特征有利于圖像分類。
　　2、提出了一種基于Laplace譜的圖像分類算法。由于Laplace矩陣含有圖中頂點(diǎn)的度的信息,致使Laplace譜比鄰接譜包含的圖的信息更多。該算法則利用Laplace譜的這個(gè)特點(diǎn),首先計(jì)算Laplace矩陣的特征值,然后采用平均譜的方

5、法計(jì)算出協(xié)方差矩陣,最后得到Laplace譜在特征空間中的特征值。在此基礎(chǔ)上,分別選用反向傳播(Back Propagation,BP)分類器、支持向量機(jī)(Support Vector Machine,SVM)分類器和概率神經(jīng)網(wǎng)絡(luò)分類器完成對(duì)圖像的分類。分類結(jié)果通過(guò)模擬圖像實(shí)驗(yàn)和真實(shí)圖像實(shí)驗(yàn)的比較,驗(yàn)證了使用該算法對(duì)圖像進(jìn)行分類,能夠獲得較高的分類識(shí)別率。
　　3、提出了一種基于非負(fù)矩陣分解(Non-negative Matrix