学位论文 > 优秀研究生学位论文题录展示

多目标矿业复杂图像特征提取与分类

作　者: 王兰莎
导　师: 张国英
学　校: 北京化工大学
专　业: 计算机应用技术
关键词: 矿石图像 形状特征 颜色特征 纹理特征 支持向量机
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 37次
引　用: 0次
阅　读: 论文下载
 

内容摘要


矿石的特征提取与分类能够实时反映采选现场矿石性质的变化,及时调整各流程上的负荷分配,实现整个生产流程的高效稳定运行。矿石的类型决定了其应用的领域及实用价值,而分类的效果由提取的特征数据影响,因此矿石的特征提取与分类具有非常重要的意义。基于计算机的智能分类系统比传统的人工筛分具有更高的效率,且能够提供更准确的分类结果。由于传送带矿石图像目标堆积,目标和背景不易区分。同时采集环境恶劣,使得采集图像昏暗模糊,使得对图像中各目标的准确分类非常困难。本文着重研究传送带矿石图像的特征提取与目标分类问题,矿石目标的特征提取是矿石准确分类的基础。因此,本文研究了多目标矿业复杂图像的颜色、纹理和形态特征提取方法。首先对采集到的高噪声且模糊的矿石图像进行预处理,在分水岭分割区域的基础上应用八链码技术提取区域的形状特征;并基于RGB和HSV颜色空间提取目标区域的颜色特征；同时基于统计方法的共生矩阵提取区域的纹理特征。为了综合考察提取出的形状、颜色和纹理特征,提出基于目标区域的融合特征提取技术,该方法能够综合考虑目标矿石的整体形态特征与内部细节特征,通过支持向量机对提取的目标矿石特征向量进行分类实验,分类结果不仅反映矿石目标的性质,同时验证特征提取方法是否有效。本文研究了对图像像素的颜色和纹理综合特征进行kmeans聚类,对图像分割后目标区域内综合颜色、纹理和形态特征进行支持向量机分类,及对目标区域内的颜色、纹理和形态特征经过PCA降维后进行支持向量机分类实验。结果表明形态特征有利于矿石目标的正确分类,目标识别率得到明显提高；提取出的颜色、纹理和形态特征进行PCA降维后也有利于矿石目标的正确分类。

全文目录


摘要  4-6
ABSTRACT  6-12
第一章 绪论  12-18
  1.1 图像特征提取及分类在矿业领域的研究意义  12
  1.2 矿业领域图像特征提取研究  12-15
    1.2.1 颜色特征提取研究  13
    1.2.2 纹理特征提取研究  13-14
    1.2.3 形状特征提取研究  14-15
  1.3 矿石图像的分类研究  15-16
  1.4 研究内容  16-18
第二章 矿石形状特征提取  18-32
  2.1 矿石图像预处理  18-20
  2.2 基于分水岭方法的矿石目标提取  20-25
    2.2.1 分水岭分割算法  20-24
    2.2.2 矿石图像分割实验  24-25
  2.3 目标区域形状特征提取  25-30
    2.3.1 目标区域边界提取  25-27
    2.3.2 区域形状特征值提取  27-29
    2.3.3 矿石形状特征提取实验  29-30
  2.4 本章小结  30-32
第三章 矿石颜色纹理特征提取  32-48
  3.1 矿石图像增强  32-37
    3.1.1 灰度变换增强  32-34
    3.1.2 双边滤波参数讨论  34-37
  3.2 矿石纹理特征提取  37-41
    3.2.1 灰度共生矩阵特点  37-38
    3.2.2 矿石目标纹理特征选取  38-40
    3.2.3 纹理特征聚类效果  40-41
  3.3 矿石颜色特征提取  41-45
    3.3.1 颜色模型选择  42-43
    3.3.2 矿石颜色特征提取  43-44
    3.3.3 颜色特征聚类实验  44-45
  3.4 本章小结  45-48
第四章 矿石图像目标分类  48-64
  4.1 图像像素颜色和纹理特征融合  48-52
    4.1.1 图像像素颜色纹理特征融合  48-49
    4.1.2 融合特征集降维  49-52
    4.1.3 特征集聚类结果及分析  52
  4.2 矿石目标内像素特征融合  52-55
    4.2.1 目标区域内颜色和纹理特征融合  53
    4.2.2 目标区域内纹理颜色和形态特征融合  53-54
    4.2.3 聚类结果及分析  54-55
  4.3 分类训练样本提取  55-58
    4.3.1 矿石目标样本的选取  55-57
    4.3.2 样本特征的提取  57-58
  4.4 SVM在矿石目标分类中的应用  58-62
    4.4.1 SVM核函数选择  58-61
    4.4.2 SVM分类结果分析  61-62
  4.5 本章小结  62-64
第五章 总结与展望  64-66
  5.1 总结  64
  5.2 展望  64-66
参考文献  66-70
致谢  70-72
研究成果及发表的学术论文  72-74
作者和导师简介  74-75
硕士研究生学位论文答辩委员会决议书  75-76

相似论文

  1. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  2. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  3. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  4. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  5. 音乐结构自动分析研究,TN912.3
  6. 基于三维重建的焊点质量分类方法研究,TP391.41
  7. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  8. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  9. 基于SVM的中医舌色苔色分类方法研究,TP391.41
  10. 基于图像的路面破损识别,TP391.41
  11. 基于支持向量机的故障诊断方法研究,TP18
  12. 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
  13. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  14. 基于云理论和蜜蜂进化型遗传算法的纹理合成研究,TP391.41
  15. 基于车载3D加速传感器的路况监测研究,TP274
  16. 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
  17. 基于机器学习的入侵检测系统研究,TP393.08
  18. 支持向量机回归在短期电力负荷预测中的应用研究,TM715;F224
  19. 面向文本分类的改进K近邻的支持向量机算法研究,TP391.1
  20. 基于AdaBoost算法的人脸识别研究,TP391.41
  21. 面向肺部CAD的特征提取、选择及分类方法研究,TP391.41

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