学位论文 > 优秀研究生学位论文题录展示

基于粗糙集的图像分类方法的研究

作　者: 李艳荣
导　师: 张雪峰
学　校: 东北大学
专　业: 运筹学与控制论
关键词: 图像分类 粗糙集 变精度粗糙集模型 贝叶斯粗糙集模型
分类号: TP391.41
类　型: 硕士论文
年　份: 2008年
下　载: 121次
引　用: 0次
阅　读: 论文下载
 

内容摘要


图像分类是信息处理的重要研究方向。本文对图像分类中所涉及的关键技术,包括图像特征提取,建立图像数据决策表,基于粗糙集理论的属性约简算法,规则约简算法,样本预测算法等内容进行了研究和探讨,最后通过实验与评估,获得了分类准确精度。粗糙集模型是由数学家Pawlak首先提出的一种用于处理模糊和不确定性知识的新型数学工具,随着对粗糙集研究的不断深入,粗糙集模型的局限性逐渐的显露出来,由于利用粗糙集处理的分类必须是完全正确或肯定的,这样致使大量有用信息在规则提取过程中丢失,于是,近年来许多学者从多方面对粗糙集模型进行推广,出现了变精度粗糙集模型、概率粗糙集模型、广义粗糙集模型、模糊粗糙集模型等。变精度粗糙集模型是在标准粗糙集模型中引入了正确分类率β,放松了对标准粗糙集模型近似边界的严格要求,增强了粗糙集模型的抗干扰能力和对新数据的预测能力。本文主要是基于变精度粗糙集模型及贝叶斯粗糙集模型,对图像分类问题进行了研究。全文首先介绍粗糙集理论研究概况,以及图像分类问题的研究现状,介绍标准粗糙集模型、信息系统、属性约简以及变精度粗糙集模型、贝叶斯粗糙集模型的基本概念。其次,主要讨论了基于颜色特征的图像分类问题,给出了常用的颜色空间及相互的转换方法,经典粗糙集分类模型的基础上利用变精度粗糙集模型,引入近似区分矩阵的概念,提出了一种基于颜色特征的图像分类模型及其分类算法,通过实例说明分类方法的有效性和可行性。再次,利用贝叶斯粗糙集模型,通过引入全局相对增益和贝叶斯区分矩阵,分别给出了两种属性约简算法,从全局相对增益的角度对属性重要度进行分析,并以此作为启发式信息给出贝叶斯粗糙集属性约简的启发式算法。引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的贝叶斯图像分类模型及其分类算法。实验结果表明贝叶斯粗糙集具有一定的实际应用价值,在图像分类问题上,贝叶斯粗糙集方法性能良好,分类准确和高效。

全文目录


摘要  5-6
ABSTRACT  6-10
第1章 绪论  10-18
  1.1 课题研究背景及意义  10-11
  1.2 图像分类问题的研究现状  11-15
    1.2.1 图像特征提取的国内外研究现状  11-13
    1.2.2 分类器的国内外研究现状  13-15
  1.3 本文的知识简介  15-18
第2章 粗糙集理论介绍  18-26
  2.1 粗糙集理论的基本概念  18-22
    2.1.1 知识与知识库  18-19
    2.1.2 不精确范畴,近似与粗糙集  19-20
    2.1.3 知识约简  20-22
  2.2 变精度粗糙集模型  22-23
  2.3 贝叶斯粗糙集模型  23-26
第3章 基于颜色特征的图像分类相关知识  26-32
  3.1 颜色的常用空间  26-29
    3.1.1 RGB颜色空间  26-28
    3.1.2 HSV颜色空间  28-29
  3.2 颜色空间的转换  29-30
  3.3 颜色特征的常用表示方法  30-31
  3.4 图像分类模型  31-32
第4章 变精度粗糙集图像分类研究  32-46
  4.1 图像的预处理  32-37
    4.1.1 数据图像的规范化  32
    4.1.2 颜色空间的转换  32-34
    4.1.3 颜色的量化处理  34
    4.1.4 图像颜色特征的提取  34-36
    4.1.5 图像数据决策表的建立  36-37
  4.2 图像数据决策表的处理  37-42
    4.2.1 变精度粗糙集属性约简算法  37-38
    4.2.2 决策规则约简算法  38-41
    4.2.3 样品类别预测算法  41-42
  4.3 算例分析与试验评估  42-45
    4.3.1 算例  42-44
    4.3.2 实验与评估  44-45
  4.4 本章小结  45-46
第5章 贝叶斯粗糙集图像分类研究  46-56
  5.1 贝叶斯粗糙集分类  46-52
    5.1.1 贝叶斯粗糙集的性质  46-49
    5.1.2 贝叶斯粗糙集属性约简  49-51
    5.1.3 决策规则约简  51
    5.1.4 样品类别预测  51-52
  5.2 算例分析与实验评估  52-54
    5.2.1 算例分析  52-53
    5.2.2 实验与评估  53-54
  5.3 本章小结  54-56
第6章 总结与展望  56-58
  6.1 全文总结  56
  6.2 图像分类研究展望  56-58
参考文献  58-62
致谢  62-64
攻读硕士学位期间发表的论文  64

相似论文

  1. 基于支持向量机的故障诊断方法研究,TP18
  2. 基于连锁图的QTL综合分析方法研究,S562
  3. 基于遗传算法和粗糙集的聚类算法研究,TP18
  4. 基于“词袋”模型的图像分类系统,TP391.41
  5. 粗糙集的增量式属性约简研究,TP18
  6. 基于粗糙集和模糊SVM的车牌识别技术研究,TP391.41
  7. 基于粗糙集理论的决策树分类算法与应用研究,TP18
  8. 基于核心示例集的属性约简方法研究,O159
  9. 基于学习与交互的本征图像求解方法研究,TP391.41
  10. 基于粗糙集和SVM的国防生综合素质测评方法研究,E075
  11. 基于内容的商品图像分类技术研究,TP391.41
  12. 票据图像分类的技术研究,TP391.41
  13. 基于广义组合多核高斯函数的图像分类方法研究,TP391.41
  14. 网络攻击效能评估若干关键技术研究,TP393.08
  15. 基于粗糙集理论的图像分割研究,TP391.41
  16. 建筑安全短期行为及其控制研究,TU714
  17. 支持向量机在矿区遥感监测图像分类中的应用研究,TP751
  18. 基于粗糙集的风景林景观美学评价,S759.5
  19. 基于粗糙集理论的快速属性约简算法研究,TP18
  20. 基于特征选择和支持向量机的纹理图像分类,TP391.41
  21. 工程量清单计价模式下的评标模型,F284

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com