论文部分内容阅读
随着多媒体技术的发展,视觉数据呈爆炸式增长。视觉数据识别作为视觉数据智能化处理的关键一环,其效果在极大程度上依赖于视觉数据特征的质量。本文对视觉数据特征提取的一些关键问题进行研究,其中包括图像复原、图像轮廓特征提取、静态纹理以及动态纹理的描述。实际采集得到的视觉数据通常含有各种类型的退化,这将影响特征提取的稳定性和特征的不变性。为消除这种影响,本文首先研究图像复原算法。图像复原技术可将退化图像还原到与真实接近的版本,为特征提取提供可靠的数据。轮廓特征作为人类视觉中的一种重要特征,目前尚未在图像识别中被充分运用和刻画。相对于轮廓特征,静态纹理特征在当前研究中较为成熟。但当前的静态纹理特征提取方法的计算复杂度较高,难以在实际中应用。动态纹理是静态纹理从图像空间延伸至时域的结果,普遍存在于视频数据中。相比于静态纹理,动态纹理能为识别提供额外的线索,但这种线索在当前研究中尚未被充分利用。针对以上问题,本文分别进行了研究,提出了对轮廓、静态纹理和动态纹理这三种特征的提取方法,所提取的特征具有一定的不变性和较强的鲁棒性。本文的研究成果概括如下:1.本文提出了一种数据驱动的非局部小波框架和小波紧框架构造方法。通过把所构造的非局部小波框架用于稀疏正则化,本文提出了一种通用有效的图像复原方法,该方法能同时利用图像的局部变化稀疏性先验以及非局部结构自相似先验,对处理图像的平滑区域和纹理区域都非常奏效,并在图像修复、去噪和去模糊实验中取得了一流的复原效果。2.通过把物理力矩概念引入图像域,本文提出了一种有效的轮廓子块显著性度量,据此设计出一种有效的轮廓特征提取方法,其中包括一个新颖的轮廓子块检测子和一个鲁棒的轮廓子块描述子。通过积分图像技术,可实现该轮廓特征的加速计算。所提出的轮廓特征具有较好的区分性,并能与纹理特征相互补充,在物体分类中表现出色。3.结合图像局部二值模式和全局分形分析,本文提出了一种纹理特征提取方法。相比于其他基于图像局部二值模式的方法,本文方法能很好地应用于复杂的随机纹理上;相对于其他基于分形分析的方法,本文方法在计算速度、特征紧凑性和分类精度上均具有优势。在四个公开纹理数据集上,本文方法取得了一流的分类结果。4.本文引入一种时空多重分形分析方法提取动态纹理特征,其中包含体分析和切片分析两部分:体分析用于描述动态纹理的整体分形特性;切片分析用于捕捉动态纹理沿不同方向的局部分形行为。结合四种时空多重分形测度,该方法能全方位地分析动态纹理中的自相似结构,并在三个基准动态纹理数据集上取得了一流的分类结果。