论文部分内容阅读
数字图像和视频在人们日常生活中的应用范围越来越广泛；与此同时,人们也非常希望能够得到较高质量的数字图像和视频。但由于其特殊性,在传输和处理时,容易受到成像系统、处理方法、传输介质以及记录设备等方面的影响,不可避免地会产生各类故障现象,这就需要对数字图像和视频的故障进行识别与诊断。对数字图像和视频故障的识别与诊断可以借鉴数字图像质量评价技术。利用人工对图像故障识别无疑是非常好的选择,但是如今数字图像和视频应用范围越来越广泛,例如大规模的数字视频监控系统中,集成了几百甚至上千路摄像头的画面,仅仅单纯地依靠人工对视频图像故障进行识别,工作量是相当巨大的。而现有的一些视频图像故障检测系统也需要经过大量的实验确定一个经验阈值进行判定,这个经验阈值并不能满足不同场景的需要,当应用到一个新的场景时,需要再次进行大量实验来确定这个阂值。因此本文引入了机器学习的SVM方法,利用图像质量的客观评价算法提取图像的视觉特征,建立故障视频图像识别模型,不仅可以应对大规模的监控系统,而且可以突破不同场景的限制。本文基于机器学习的SVM方法,结合数字图像质量客观评价技术实现了对数字图像和视频故障的识别和诊断,主要做了如下几方面的工作：(1)研究了机器学习理论,着重介绍了本文使用的SVM理论,包括线性支持向量机、非线性支持向量机、核函数、SVM学习算法的步骤等。(2)研究了数字图像质量评价方法,着重分析了图像的清晰度故障和色偏故障的评价函数,提取故障特征作为SVM分类器的输入向量。(3)深入分析SVM的核函数及其参数对分类模型的影响,分析了核函数、核参数的选优方法以及SVM多类分类问题；设计和实现了一种图像故障识别模型,可以实现对图像故障的自动识别,并对识别错误的负样本加入训练集,进行模型更新,提高了模型的识别率；将设计的基于SVM的图像故障识别模型应用于视频故障识别中,实验证明,这种方法是可行的。(4)设计开发了一个基于SVM的视频图像故障诊断系统。