学位论文 > 优秀研究生学位论文题录展示

粗糙集在纹理图像分类中的应用研究

作　者: 林鐄
导　师: 王基一
学　校: 浙江师范大学
专　业: 计算机软件与理论
关键词: 纹理图像分类粗糙集 Gabor滤波器灰度共生矩阵支持向量机多分类器融合
分类号: TP18
类　型: 硕士论文
年　份: 2011年
下　载: 20次
引　用: 0次
阅　读: 论文下载

内容摘要

粗糙集理论用于对数据表的分类分析处理,粗糙集分析直接从现有数据的上下近似入手,已被成功地应用在生物信息学、经济学、金融、医药、web和文本挖掘。本文在学习和研究粗糙集基本理论与技术的基础上,将其应用到纹理图像分类中,纹理图像分类的步骤主要包括特征提取和特征分类。本文主要对纹理图像特征提取和基于粗糙集的分类器进行了深入的探讨和研究,主要工作如下：(1)在纹理图像的特征提取阶段,本文采用Gabor滤波器和灰度共生矩阵两种不同的方法获取图像特征值。Gabor滤波器具有时域和频域的联合最佳分辨率,并且较好地模拟了人类视觉系统的视觉感受特性,能够精确捕获低频和中频纹理信息。因此本文设计一组4个尺度6个方向的Gabor滤波器对纹理图像进行24次滤波处理,然后从每个输出结果提取平均值和方差共48个特征向量作为其特征值。而灰度共生矩阵能较好地捕捉高频纹理信息,从中提取的纹理特征有较好的鉴别能力,而且其思想简单、易于实现,具有旺盛的生命力。本文构造了4个方向,然后从每个方向提取能突出描述纹理不同方面如角二阶矩、熵、对比度和相关性等8个度量值,总共32个特征向量作为图像的特征提取。(2)在纹理图像的分类阶段,首先利用粗糙集作为分类器,按照粗糙集作为分类器的一般步骤对纹理图像特征值离散化、属性约简和规则提取。而离散化算法和属性约简算法的不同组合对最后的分类结果影响巨大,因此对比不同的离散化算法和属性约简算法在两种不同的纹理图像特征获取方法最后的分类结果,利用正确识别个数作为评价标准,以选取较好的组合,发现基于布尔推理离散化方法和MIBARK属性约简算法这种组合对最后分类的效果比较好。粗糙集和支持向量机的优缺点具有互补性,如果将它们的优点以某种方式进行组合,就有可能在总体上取得比单一分类器更好的分类效果。基于此观点,采用了一种将粗糙集和支持向量机进行融合的纹理图像分类器,利用该融合分类器进行分类时,先采用粗糙集理论对纹理图像特征属性进行预处理,对相关属性进行离散化,通过属性约简算法删除特征属性中冗余的信息,降低属性的维数,然后将粗糙集约简后获取的新属性集送入支持向量机分类器进行精确分类,这样充分利用了粗糙集的属性约简和支持向量机识别率高、泛化能力强的优点,而且简化了支持向量机的训练和测试,从总体上提高了分类精度。

全文目录

摘要  3-5
Abstract  5-7
目录  7-10
1 绪论  10-16
  1.1 研究的重要意义  10-11
  1.2 纹理图像分类的主要内容  11-14
  1.3 本文的研究内容和结构  14-16
2 基于粗糙集的纹理图像自动分类建模  16-25
  2.1 引言  16
  2.2 粗糙集基本理论  16-20
    2.2.1 基于粗糙集理论的知识及其表示  17-18
    2.2.2 粗糙集理论的基本概念  18-19
    2.2.4 决策表的属性约简  19-20
    2.2.5 决策表的规则提取  20
  2.3 基于粗糙集的纹理图像自动分类模型  20-24
    2.3.1 模型的建立  21-23
    2.3.2 关键问题  23-24
  2.4 本章小结  24-25
3 构建知识库  25-40
  3.1 引言  25
  3.2 利用Gabor滤波器获取纹理图像特征  25-32
    3.2.1 Gabor滤波器基础知识  26-28
    3.2.2 提取特征  28-29
    3.2.3 算法流程  29-32
  3.3 利用灰度共生矩阵获取纹理图像特征  32-37
    3.3.1 灰度共生矩阵的定义  32-34
    3.3.2 灰度共生矩阵的特征参数  34-36
    3.3.3 算法流程  36-37
  3.4 构造决策表  37-39
  3.5 本章小结  39-40
4 粗糙集在纹理图像分类中的应用  40-54
  4.1 引言  40-41
  4.2 离散化  41-42
    4.2.1 离散化定义  41-42
    4.2.2 离散化本质  42
  4.3 几种离散化算法  42-46
  4.4 知识约简  46-49
  4.5 实验对比和分析  49-52
  4.6 本章小结  52-54
5 粗糙集融合支持向量机在纹理图像分类中的应用  54-66
  5.1 引言  54
  5.2 统计学习理论  54-57
    5.2.1 经验风险最小化的不足  55
    5.2.2 统计学习理论的主要内容  55-57
  5.3 支持向量机  57-60
    5.3.1 线性可分情形  57-59
    5.3.2 非线性可分情形  59-60
  5.4 粗糙集融合支持向量机分类器的设计  60-63
  5.5 实验对比和分析  63-65
  5.6 本章小结  65-66
6 总结和展望  66-68
  6.1 论文工作总结  66-67
  6.2 进一步工作展望  67-68
参考文献  68-73
致谢  73-74
攻读硕士学位期间主要的研究成果  74-76

粗糙集在纹理图像分类中的应用研究

内容摘要

全文目录

相似论文