基于稀疏表示的紋理圖像分割研究.pdf

1、稀疏表示和字典學(xué)習(xí)在圖像去噪、圖像重建和模式識(shí)別等應(yīng)用上取得了良好的效果。稀疏表示利用稀疏系數(shù)和重構(gòu)誤差來作為模式分類的判別準(zhǔn)則，同時(shí)為高維特征提供了一個(gè)低維魯棒性表示。稀疏表示分類算法(Sparse Representation Classification，SRC)是近年來提出的一個(gè)重要的分類算法，為稀疏表示的應(yīng)用提供了新的思路。該算法直接將訓(xùn)練樣本作為字典，通過訓(xùn)練樣本的線性組合來表示測試樣本，即同類數(shù)據(jù)樣本之間可以相互線性表示。

2、為此，本文基于上述稀疏表示的理論研究，提出了基于稀疏表示的紋理分割方法。稀疏表示紋理分割方法是將圖像分割問題轉(zhuǎn)換為像素點(diǎn)的分類和聚類問題。但通常稀疏表示分類方法是基于圖像塊特征，難以準(zhǔn)確表征圖像紋理信息。本文通過對(duì)紋理圖像進(jìn)行Gabor濾波，使用像素點(diǎn)的Gabor特征來替代圖像塊特征。Gabor濾波可以獲得圖像在各方向和尺度下的紋理信息。其缺點(diǎn)是造成特征維數(shù)過大，而稀疏表示恰好提供了高維特征的低維魯棒性表示。
　　本論文的主要工作

3、概括如下:
　　(1)對(duì)稀疏表示和字典學(xué)習(xí)理論進(jìn)行了全面地介紹，并重點(diǎn)研究了稀疏分類和聚類方法，以及經(jīng)典的判別性字典學(xué)習(xí)方法，為后文的應(yīng)用奠定了理論基礎(chǔ)。
　　(2)提出了一種基于稀疏分類的紋理分割框架。首先對(duì)紋理圖像進(jìn)行Gabor濾波，從每類紋理中選擇一些像素點(diǎn)作為訓(xùn)練樣本，提取其Gabor特征并建立字典，接著以待分割圖像的每個(gè)像素點(diǎn)作為測試樣本，計(jì)算其Gabor特征。利用OMP算法得到測試樣本在字典下的稀疏系數(shù)，最后根據(jù)

4、SRC的判別準(zhǔn)則對(duì)像素點(diǎn)進(jìn)行分類，完成分割。實(shí)驗(yàn)與傳統(tǒng)圖像塊特征的比較表明，通過提取有效的紋理特征引入稀疏分類框架可以極大地提高紋理分割正確率。
　　(3)將字典學(xué)習(xí)引入紋理分割算法。在基于稀疏分類的紋理分割框架的基礎(chǔ)上，引入判別字典學(xué)習(xí)。在訓(xùn)練樣本建立初始化字典后對(duì)字典進(jìn)行判別字典學(xué)習(xí)，提高字典的類別的表示和判別能力，然后再對(duì)測試像素點(diǎn)進(jìn)行稀疏分類。實(shí)驗(yàn)通過引入兩種判別字典學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)，結(jié)果表明通過引入字典學(xué)習(xí)，可有效提高基