【正文】 基于Zernike矩的識別方法對于二維圖像，每一類圖像都有一定的區(qū)域范圍，若待識別目標在已知的某一類型區(qū)域里，即街區(qū)距離D距離小于或等于某個值d的像素組成為中心的菱形。如果最小值超出了已知目標的D距離，就可以判斷此待識別的目標為異類圖像。利用街區(qū)距離法，求出q1，q2，q3…中與目標就接近的值：q1=sum(abs(z_fzdata(1，:))) q2=sum(abs(z_fzdata(2，:))) q3=sum(abs(z_fzdata(3，:))) q4=sum(abs(z_fzdata(4，:))) q5=sum(abs(z_fzdata(5，:))) q6=sum(abs(z_fzdata(6，:))) q7=sum(abs(z_fzdata(7，:))) q8=sum(abs(z_fzdata(8，:))) q9=sum(abs(z_fzdata(9，:)))將求得的值放入shu中： shu=[q1，q2，q3，q4，q5，q6，q7，q8，q9，5e+004]。所識別飛機的圖像是f1539。所識別飛機的圖像是f16439。所識別飛機的圖像是f1439。所識別飛機的圖像是f大黃蜂39。所識別飛機的圖像不是已知的類別39。第4章 目標識別結(jié)果及分析基于Hu矩和Zernike矩分別實現(xiàn)了對圖像目標的識別，下面對兩種矩的算法實現(xiàn)做個比對，說明它們各自的優(yōu)點以及不足之處。在Matlab中進行運算，讀入待識別目標(f22)，運用Hu矩進行識別。 Zernike矩的實驗結(jié)果及分析選擇一個待識別目標，來驗證Zernike矩算法的有效性，并進行效果分析。 f22的圖像通過運行的結(jié)果可知，運用Zernike矩對已知目標進行識別，能夠準確識別出目標的類型。 程序調(diào)試中遇到的問題與解決方案在編寫程序的過程中，遇到了很多的問題。解決的方法:由于圖像采用的是彩色圖像，里面包含的信息量較大，因此，影響特征值的精確度。但是，當待識別目標不屬于數(shù)據(jù)庫中已有的類型時，執(zhí)行如下的語句： shu=[q1，q2，q4，q3，q5，q6，q7，q8，q9]。 end 這樣，當待識別的飛機目標不在已知類別當中時，程序就會自動判別出待識別目標圖像不在已知的類別中。解決的方法:完善數(shù)據(jù)庫，盡可能多的增加飛機的總類，使得各類的飛機都有自己的特征值，這樣就能夠盡可能的減小彼此之間的誤差。結(jié)論本次課程設(shè)計主要是在Matlab平臺基礎(chǔ)上對基于Hu矩和Zernike矩的圖像目標識別方法進行研究。本文方法可較容易地推廣應(yīng)用于其它圖像識別領(lǐng)域。隨著人類生活水平的不斷提高，在日常生活中，人們就常常積攢了大量的相片，所以需要把這些大量的圖片信息進行分類，本項研究成果可以實現(xiàn)圖片的自動分類，提高分類效率。本次設(shè)計主要是完成了基于Hu矩和Zernike矩的圖像目標識別算法設(shè)計。從論文選題、研究，到最后的論文寫作過程中，他都以認真、細致和熱情的態(tài)度給以我指導。是他們不僅在學習生活上給予我無私的關(guān)懷和幫助，更在精神上給了我莫大的鼓勵和支持。xmean=。w03=(sum((yymean).^3.*A))/(^)。w21=(sum((xxmean).^2.*(yymean).*A))/(^)。)。imshow(img)。Original39。img=imrotate(img，90，39。img=imresize(img，2，39。[A_nm，zmlist，cidx，V_nm] = zernike(img，12)。附錄Ⅲ。A_nm(6)=sqrt(real(A_nm(6))^2+imag(A_nm(6))^2)。)。)。Translated39。J = imdilate(img，se)。img=imresize(img，[150，150])。%計算中心距h1=w20+w02h2=(w20w02)^2+4*w11^2h3=(w303*w12)^2+(3*w21w03)^2h4=(w30+w12)^2+(w21+w03)^2h5=(w303*w12)*(w30+w12)*[(w30+w12)^23*(w21+w03)^2]+(3*w21w03)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]h6=(w20w02)*((w30+w12)^2(w21+w03)^2)+4*w11*(w30+w12)*(w21+w03)h7=(3*w21w03)*(w30+w12)*((w30+w12)^23*(w21+w03)^2)+(3*w21w30)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]附錄Ⅱ 提取Zernike矩的特征向量的程序清單clear allimg=imread(39。w12=(sum((xxmean).*(yymean).^2.*A))/(^)。%計算均值w00=。=sum(x.*A)。感謝和我在同一寢室生活的同學，還有其他在我身邊一起渡過畢業(yè)設(shè)計生活的同學，是他們使我的畢業(yè)設(shè)計期間的生活充滿色彩和樂趣，使我能在學習之余得到身心的放松，能一次又一次地勇敢面對學習和生活中遇到的各種困難。參考文獻[1] 丁明躍，[J].，7(1):19[2] 嚴柏軍等，基于不變矩特征匹配的快速目標檢測算法[J].紅外技術(shù)，2001，23(6):812[3] 何斌，馬天予，王運堅. Vision C++I數(shù)字圖像處理(第二版).人民郵電出版社，2002[4] 徐旦華，辜嘉，李松毅. Zernike矩的快速算法[J].東南大學學報，2002，32(2):189192[5] 金豐華，秦磊，[J].山東生物醫(yī)學工程，2002，21(2):810[6] 甘俊英，[J].計算機工程與應(yīng)用，2002，24(3):5356[7] 何青，[J].華北電力大學學報，1998，25(4):8083[8] 商立群，杜亞娟. Hu矩和Zernike矩在圖像識別中的應(yīng)用[J].西安科技學院學報，2000，20(1):5356[9] 丁明躍，常金玲，[J].數(shù)據(jù)采集與處理，1992，7(1):19[10] [J].西安科技學院學報，2000，20(2):151153[11] ，2006，21(3):171173[12] 杜亞娟，張洪才，[J].數(shù)據(jù)采集與處理，2009，15(3):390394[13] [D].西安:西安交通大學碩士論文，2002，11[14] 丁明躍，[J].，7(1):19[15] 呂洪濤，周繼成離散狀態(tài)下的不變矩算法研究[J].數(shù)據(jù)采集與處理，1993，18(2):4448[16] 彭輝，黃士科，[J].紅外與激光工程，2005，34(3):292296[17] 杜宗崗，盧凌，[J].武漢理工大學學報，2005，29(2):230233[18] 孫亦南，劉偉軍，[J].計算機應(yīng)用與軟件，2004，21(12):13[19] Hu M. K. Visual recognition by moment Theory，1962(8):179187.[20] A Khotanzed，Y H Hong .Invariant image recognition by zernike moment. IEEE ，1990，5 [21] Li B new putation of geometric moments [J].Pattern Recognition，1993，26(1):109130[22] Jiang X Y，Bunke and fast putation of moment[J].Pattern Recognition，1991，24(8):801806致 謝在本論文完成之際，我首先要向我的指導老師李忠海老師表示衷心的感謝。隨著時代的進步，這項技術(shù)也在不斷的發(fā)展完善，智能監(jiān)控在未來必將有廣闊的應(yīng)用前景并為社會帶來巨大的經(jīng)濟效益。算法也需要繼續(xù)完善，來進一步來提高識別率。同時證明目標圖像無論是旋轉(zhuǎn)、縮放還是平移，其空間不變矩基本變化不大。運用Hu矩和Zernike矩基本完成是對圖像目標識別任務(wù)。例如，運用Hu矩對已知類別（殲10）進行識別，結(jié)果如下所示：q1 = q2 = q3 = q4 = q5 = q6 = q7 = q8 = q9 = hu_f = ans =所識別飛機的圖像是f18。解決的方法:分別求出數(shù)據(jù)庫中已有類別的飛機的所有的特征值，找出每個類別飛機的區(qū)域值中最小的那個值，最后取這些類別飛機的最小值中的最大值。將彩色圖像轉(zhuǎn)換為灰度圖像，再進行計算，此外，便于提取圖像的特征，這里將圖像統(tǒng)一轉(zhuǎn)換成等大小的處理這樣可以有效的減小誤差。下面是對F22類的兩個飛機提取的特征值結(jié)果。但是Zernike矩的運算速度較慢，Zernike矩的優(yōu)點在于它的識別率比較高，因為Zernike矩可以任意構(gòu)造高階矩，高階矩包含更多的圖像信息。在Matlab中進行運算，讀入待識別目標(f22)，運用Zernike矩進行識別。 f22的圖像經(jīng)過運算后，利用Hu矩實現(xiàn)了對飛行目標的特征提取，并基本能成功的識別出未知目標的類型，滿足設(shè)計要求。 Hu矩的實驗結(jié)果及分析下面選擇一個待識別目標，來驗證Hu矩算法的有效性，并進行效果分析。具體的說明了圖像獲取與預處理過程，以及特征值的提取過程和算法的設(shè)計。所識別飛機的圖像是ff1839。所識別飛機的圖像是f1839。所識別飛機的圖像是殲1039。所識別飛機的圖像是殲739。所識別飛機的圖像是f2239。將求得的特征值取絕對值：A_nm(x)=sqrt(real(A_nm(x))^2+imag(A_nm(x))^2)。這里采用街區(qū)距離法，將待識別目標分別與已知目標的值做差值計算，然后取絕對值，再求和。根據(jù)Zernike 矩提取各個飛機的特征向量，同Hu矩一樣，再將每一類的飛機進行求和，最后再取均值。由 Zernike 矩的上述定義可知 ，它的另一重要特性為:圖像旋轉(zhuǎn)一定角度后的Zernike 矩與原圖像的 Zernike 矩具有非常簡單的關(guān)系 ，即一個圖像旋轉(zhuǎn)角后的 Zernike 矩 與初始圖像的 Zernike 矩 的關(guān)系為。利用Zernike多項式的快速遞推性質(zhì)計算各階；對求模，進而得出，作為識別的特征依據(jù)。所識別飛機的圖像是f1839。所識別飛機的圖像是f1439。所識別飛機的圖像是殲739。所識別飛機的圖像是f1539。所識別飛機的圖像不在已知類別中39。分別計算各類圖像的各個特征值，將同一類別圖像中各幅圖像的特征向量求平均，得到一個表示該類圖像的特征向量，最后計算待識別圖像與各類圖像的街區(qū)距離，然后進行判別。距離變換中的距離函數(shù)可以是線性的或者是非線性的。 調(diào)用格式如下：load hdata算得的各類飛機的特征值： Hu矩實驗數(shù)據(jù)表特征值第一組第二組第三組第四組第五組第六組第七組f22f15殲10殲7