纹理特征提取与分类研究

论文摘要

纹理是图像中非常重要的特征,它为图像识别和理解提供了大量的信息。早期的纹理分析方法都是建立在单一尺度上,而小波分析是一种新兴的多分辨率分析方法,它所具有的时频局部化能力,使得它更适合于图像的处理。支持向量机是一种通用学习机器,是统计学习理论的一种实现方法,它较好地实现了结构风险最小化思想。支持向量机通过核函数将输入向量映射到一个高维的特征空间,并在该特征空间中构造最优分类面,从而解决原空间数据的线性不可分问题。由于其优越的性能,近年来获得了广泛的应用。本文基于支持向量机方法对纹理图像的分类问题进行了较为深入的研究,所做工作主要有以下几点:（1）提出了一种基于离散平稳小波变换（SWT）和灰度共生矩阵的纹理分类方法。该方法结合了小波分析的多尺度性和灰度共生矩阵的统计特性,首先使用SWT对要分类的纹理图像进行分解,然后计算原始图像及分解后的低频和各层高频平均的灰度共生矩阵,进而将得到的二阶统计量作为纹理图像的特征向量,最后运用支持向量机实现纹理图像的分类。（2）针对尺度与旋转不变性的图像纹理分类问题,提出了一种基于对数极坐标变换（Log-Polar）和支持向量机的特征提取与分类方法,利用对数极坐标变换将旋转和尺度变化转变为平移,减少了旋转和尺度变化的影响,再利用具有平移不变性的离散平稳小波变换消除平移,以此来提取纹理特征,最后利用支持向量机实现纹理图像的分类。（3）改进了非下样的Contourlet变换,提出了一种新的基于离散平稳小波变换和无下采样方向滤波器组的特征提取方法（SWT-NSDFB）,采用具有平移不变性的离散平稳小波先进行多尺度分解,然后采用非下采样方向滤波器组代替传统方向滤波器组进行多方向分解,再计算低通子带和各层方向子带的能量作为纹理特征,最后结合支持向量机将其应用于纹理分类中。实验结果表明,该算法有效的提高了纹理分类的正确率。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景和意义
• 1.2 纹理的基本概念
• 1.3 纹理分析方法
• 1.4 课题的主要研究内容及结构安排
• 2 小波分析理论及支持向量机
• 2.1 小波分析理论
• 2.2 支持向量机
• 2.3 本章小结
• 3 基于灰度共生矩阵和SWT 的纹理分类
• 3.1 引言
• 3.2 灰度共生矩阵
• 3.3 基于灰度共生矩阵和SWT 的纹理分类
• 3.4 本章小结
• 4 基于对数极坐标变换和支持向量机的纹理分类
• 4.1 引言
• 4.2 对数极坐标变换
• 4.3 分类实验及结果分析
• 4.4 本章小结
• 5 基于SWT-NSDFB 变换的纹理图像分类
• 5.1 引言
• 5.2 Contourlet 变换
• 5.3 非下采样Contourlet 变换（NSCT）
• 5.4 SWT-NSDFB 变换
• 5.5 基于SWT-NSDFB 变换的纹理分类
• 5.6 本章小结
• 6 总结与展望
• 致谢
• 参考文献