基于多尺度分析和仿生模式识别的纹理图像识别

来源 :长沙理工大学 | 被引量 : 1次 | 上传用户:MyraChen
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
作为一种广泛存在的图像模式,纹理自然成为计算机视觉,图像处理方面的重要研究课题。近年来,纹理图像的分类算法一直受到人们的关注,人们提出了各种各样的纹理特征提取和分类方法,并取得了一定的成果。就目前而言,大多数分类算法都是基于传统模式的分类器进行的,在一定程序上了制约了分类算法的正确率以及速度。本文将纹理图像的识别分成两个主要环节:首先利用Contourlet变换对纹理图像进行预处理,选择合适的重构方法提取纹理图像的特征向量;然后构造相应的超香肠神经网络模型进行特征向量的识别工作。多尺度几何分析方法是近几年在小波变换的基础上发展起来的一类有效信号处理的方法。文中介绍了多尺度分析的热门工具—Contourlet变换,与小波分析不同的是,它主要是在多尺度几何分析方法中加入了方向因子,而且其理论基础首先完成的是离散域的Contourlet构建,随后将其由离散域扩展至连续域,并探讨了其在图像处理中的应用。运用仿生模式识别理论建立起识别神经网络模型。仿生模式识别与传统模式识别的区别就在于它是从“认识”而不是“区分”的角度来进行模式的识别,是对学习样本的全体在特征空间中形成的复杂几何形体“形状”的分析以及“认识”,为利用高维空间理论建立识别神经网络提供了理论基础。本文从Vistex纹理图像库里面构造了14类(512×512)图片进行了实验。首先利用Contourlet变换对纹理图像进行预处理,利用多尺度能量显著的方向子带对图像进行重构,将不同频带的纹理信息分开描述,然后对重构图像进行重新采样,计算得到具有多分辨率特性的特征向量,最后采用超香肠模型神经网络进行纹理图像的识别,其最佳的分类率可达到99.45%。实验结果从多方面验证了本方案的合理有效性。
其他文献
近些年来,随着现在计算机技术和互联网络的飞速发展,一方面,人们需要越来越多的信息、服务、计算、存储等网络资源来解决日益复杂的实际问题,而传统的C/S(客户/服务器)集中服
强化学习是随机环境中解决决策问题一种有效的方法。然而,在大状态空间,特别是在复杂随机状态下的应用领域,它仍然没有解决“维数灾难”的问题。目前,因素化强化学习作为强化
虚拟现实技术是一项新兴的综合性信息技术,它融合多种信息技术的最新发展成果,广泛的应用到了社会各个领域。中国是个海洋大国,海洋技术在国民经济中有着举足轻重的作用,其中
无线传感器网络(简称WSNs)是一种综合了传感器技术、嵌入式计算技术、分布式处理技术和无线通信技术的新一代网络,有着广泛的应用前景。WSNs依靠无源电池供电,从而导致能源严重
WCDMA是目前应用最为广泛的第三代移动通信系统,为用户提供不同类型的多种业务。由于多媒体和分组等数据业务对网络的要求更为严格,而Iub接口是实现移动业务QoS保证的瓶颈,所以
基于图像序列的场景重建是近年来兴起的一种新的虚拟现实实现方法,它以计算机视觉和图像处理等学科的理论和方法为基础,试图利用真实的图像来代替传统的几何建模,同时又用图
随着通信、计算机、自动化技术的发展,监控系统也经历了集散系统、现场总线系统两个阶段,并逐渐演变成具有数字化、网络化以及智能化特征的现代化网络监控系统。近年来,集群
无线传感器网络具有移动性、自组织性、以数据为中心等诸多特点,被认为是未来最具有影响,最能改变世界的技术之一。因为嵌入在每个节点中的电池寿命有限,所以减少节点和处理
随着科技的不断发展以及人们对医疗服务需求的不断增加,医院传统的服务模式已经不能适应社会的发展。打破传统的医疗服务模式,提高医院管理效率,改善工作环境,已成为现代化医
学位