【正文】 數(shù)據(jù) 集，搜索分類非常費時。最近的成果也將在 JPEG2020 標準中體現(xiàn) —— 標準中將用近年來圖像變換研究的新成果：小波變換來取代原 來的 DCT 變換，這是因為小波變換克服了傅里葉變換不具有時頻局部性質(zhì)的缺陷，并且和 DCT 一樣具有快速算法。特別是 CT 和核磁共振的利用都極大地豐富了這一領(lǐng)域研究的內(nèi)容。圖像處理技術(shù)和應(yīng)用前景將更為廣闊。在計算機技術(shù)的不斷發(fā)展中，人類更是將這一本能發(fā)揮的淋漓盡致。 人們常說 “物以類聚，人以群分”。近年來，為了滿足人們?nèi)找嬖鲩L的生活、學習、工作、娛樂等各方面的需要，數(shù)字圖書館中儲存了數(shù)以萬計的圖像。圖像分類的過程就是模式識 別的過程，是目視判讀的延伸和發(fā)展。近十多年來，隨著信息技術(shù)的發(fā)展，圖像特征分析、圖像配準、圖像融合、圖像分類、圖像識別、基于內(nèi)容的圖像檢索與圖像數(shù)字水印等領(lǐng)域取得長足的進展。但隨著計算機硬件、圖像獲取設(shè)備、顯示設(shè)備的不斷改進和各種高性能能工作站的出現(xiàn)，圖像處理技術(shù)迅猛發(fā)展。當進行圖像有監(jiān)督分類，即 SVM 算發(fā)分類時，準確率可達到將近 70%。本文計算出了該非監(jiān)督分類方式分類結(jié)果的準確性，并對其進行了分析與討論。 在理論學習的基礎(chǔ)上，運用 MatLab 實現(xiàn)算法并 驗證應(yīng)用效果 ?；诰垲惖闹悄軋D像分析算 法畢業(yè)設(shè)計論文 基于聚類的智能圖像分析算法 摘 要 智能圖像處理技術(shù)在眾多領(lǐng)域得到了廣泛應(yīng)用。 本文通過介紹智能圖像分析方法及相關(guān)算法理論，重點研究以 SVM 算法為代表的監(jiān)督分類算法及以 kmeans 聚類算法為代表的費監(jiān)督分類算法，并結(jié)合 Hu 圖像矩不變特征，對圖像進行聚類分析及分類。最后將待分類圖片輸入即可得到分類結(jié)果。 在算法研究的基礎(chǔ)上，設(shè)計并實現(xiàn)了水果圖像智能分析應(yīng)用 系統(tǒng)，具有創(chuàng)建特征值數(shù)據(jù)庫、創(chuàng)建訓練網(wǎng)絡(luò)、圖像有監(jiān)督分類和圖像無監(jiān)督分類等功能。 課題 背景 在 20 世紀初，運用機器來處理圖片是一件非常困 難的事。傳統(tǒng)的圖像處理技術(shù)主要集中在圖像的獲取、變換、增強、恢復(fù)（還原）、壓縮編碼、分割與邊緣提取等方面，并且隨著新工具、 新方法的不斷出現(xiàn)，這些圖像處理技術(shù)也一直在更新與發(fā)展。 圖像分類就是利用計算機對圖像進行定量分析，把圖像中的每個像元或區(qū)域劃歸為若干個類別中的一種，以代替人的視覺判讀。用計算機對遙感圖像進行地物類型識別是遙感圖像數(shù)字處隨著我國人民生活水平的提高，數(shù)碼相機、 DV 機等攝影器材得到了極大范圍的普及，數(shù)字圖像的數(shù)量也在飛速增長，同時，互聯(lián)網(wǎng)的普及使 得人們對于圖像檢索的需求大大增加。與傳統(tǒng)的基于關(guān)鍵詞的數(shù)據(jù)庫檢索相比，具有相似度檢索、近似檢索和要求給出檢索結(jié)果的集合限制等特點。 國內(nèi)外研究現(xiàn)狀 人類從一出生，人眼就在不斷地接受、分析和理解周圍的景物，這是人類的一種本能活動?，F(xiàn)在隨著 Inter 的廣泛普及。另外，除了處理位于可視頻譜范圍的圖像信號外，在過去的 20 年里，對射電望遠鏡形成的圖像、紅外圖像、合成孔徑雷達（ Synthetic Aperture ）圖像的研究都非?；钴S。如在 20 世紀 80 年代末逐步規(guī)劃形成、 20 世紀 90 年代全面公布的 ， JEPG， MPEG2等圖像壓縮與傳輸標準使圖像處理技術(shù)在產(chǎn)業(yè)化方面取得巨大的成功 。無監(jiān)督分類方法中 Kmeans 分類方法得到了廣泛的研究， Paredes 等利用 Kmeans 算法對訓練圖像塊區(qū)生成的 KD 樹進行類似類別搜索，得到了不錯的分類效果。 另一類在圖像分類中廣泛使用的有監(jiān)督分類方法是支持向量機（ SVM）分類。 聚類分析也叫分類分析 (classification analysis)或數(shù)值分類 (numerical taxonomy)， 是用數(shù)學的方法來研究和處理給定對象的分類 ,即對同類型對象抽象出其共性 ,從而形成類。所謂完備的指標體系，是說入選的指標是充分的，其它任何新增變量對辨別事物差異無顯著性貢獻。 課題 目標及本文研究內(nèi)容 預(yù)期目標 本論文擬將智能分類技術(shù)應(yīng)用于圖像的自動識別， 以 水果圖像 分類為目標 ,研究其 特征提取 方法 及智能分類 算法 ，實現(xiàn) 基于 Matlab 平臺的水果圖像智能分析 軟件 。 系統(tǒng)方案 論文以水果圖像的分類為目標，通過圖像的預(yù)處理、特征提取與分類，基于 MatLab實現(xiàn)圖像的智能分析。當使用者選擇 SVM 分類方法時，系統(tǒng)將通過使用圖庫訓練學習的方式得到分類結(jié)果。 第二章， 技術(shù)基礎(chǔ)。 第四章，分類算法。 第六章，系統(tǒng)測試。統(tǒng)計特征包括 直方圖 、 頻譜和矩等 ，是人為特征，需要經(jīng)過變換才能得到。 對于某幅特定圖像， 根據(jù)不同的需要，通常要提取其不同的特征，因而一幅圖像又有了許多不同的表達方式。 矩特征表征了圖像區(qū)域的幾何特征 ,又稱為幾何矩，其具有 平移 、 旋轉(zhuǎn) 、尺度等特性的不變特征，又稱其為不變矩 。 形狀特征由其集合屬性（長短、距離、面積、凹凸 ） 、統(tǒng)計屬性（投影）、拓撲屬性（歐拉數(shù)、連通）表征，是圖像最本質(zhì)的特征反映。本文就將使用到 Hu 的不變矩特征。圖像分類具有計算精度高、速度快、圖像測量準確度高等特點。統(tǒng)計決策比較成熟，對模式不太復(fù)雜的應(yīng)用已經(jīng)相當?shù)某晒Γ荒芊从衬Ｊ浇Y(jié)構(gòu)特性，概率表示形式使使用上也存在局限性。 同時，在分類的過程中，按照有無樣本學習可以分為非監(jiān)督分類法和監(jiān)督分類法。 這種方法的基本思想是：從訓練樣本中提取各個類別對應(yīng)的均值向量并求出待測向量到各個均值向量的距離，比較后將待測類別歸入距離最小的一類中。 在先 驗屬性未知的情況下將所有樣本就將所有樣本劃分為若干個類別的方法稱為費監(jiān)督分類，這種方法是根據(jù)像素間的相似度大小進行聚類。常用動態(tài)聚類法有 Kmeans 算法、 LBG 算法和分裂算法 。 盡管 MatLab 主要用于數(shù)值運算，但利用為數(shù)眾多的附加工具箱（ Toolbox）它也適合不同領(lǐng)域的應(yīng)用，例如圖像處理、控制系統(tǒng)設(shè)計與分析、信號處理與通訊、金融建模和分析等。SVM 的訓練是依據(jù)統(tǒng)計學理論中的結(jié)構(gòu)風險最小化原則，在最小化經(jīng)驗風險的同時最小化 SVM 的模型復(fù)雜度，提高了模型的泛化能力。 此次系統(tǒng)所用的工具包為由比利時魯汶大學的 發(fā)的 LSSVMlab Toolbox（ Version ）。 北京郵電大學本科畢業(yè)設(shè)計（論文） 9 第三章 圖像矩不變特征提取 常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征 。 （二）常用的特征提取與匹配方法 顏色直方圖 。 顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會由于局部的偏差而無法匹配成功。 （二）常用的特征提取與匹配方法 紋理特征描述方法分類 （ 1）統(tǒng)計方法統(tǒng)計方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統(tǒng)計特征基礎(chǔ)上，通過實驗，得出灰度共生矩陣的四個關(guān)鍵特征：能量、慣量、熵和相關(guān)性。 （ 3）模型法 模型法以圖像的構(gòu)造模型為基礎(chǔ)，采用模型的參數(shù)作為紋理特征。 自回歸紋理模型（ simultaneous autoregressive, SAR）是馬爾可夫隨機場（ MRF）模型的一種應(yīng)用實例。其中 Hough 變換檢測平行直線方法和邊界方向直方圖方法是經(jīng)典方法。 （ 3）幾何參數(shù)法 形狀的表達和匹配采用更為簡單的區(qū)域特征描述方法，例如采用有關(guān)形狀定量測度（如矩、面積、周長等）的形狀參數(shù)法（ shape factor）。前一種關(guān)系強北京郵電大學本科畢業(yè)設(shè)計（論文） 11 調(diào)的是目標之間的相對情況，如上下左右關(guān)系等，后一種關(guān)系強調(diào)的是目標之間的距離大小以及方位。為了檢索，除使用空間關(guān)系特征外，還需要其它特征來配合。 幾何矩是 在 在 1962 年 被 Hu(Visual pattern recognition by moment invariants)提出的，矩不變 的主要思想是 通過使 用對變換不敏感的基于區(qū)域的幾個矩作為形狀特征 。幾何矩對簡單圖像有一定的描述能力，雖然在區(qū)分度上不如其他三種矩，但與其他算子比較起來， 較為 簡單，一般 通過 一個數(shù)字就可表達。 圖 31 旋轉(zhuǎn)不變性 北京郵電大學本科畢業(yè)設(shè)計（論文） 12 圖 32 扭曲、伸縮性變不變性 從圖 31 中的圖像檢索結(jié)果可以看出，形狀檢索算法 對于圖像的旋轉(zhuǎn)具有不變性。 圖像 f(x， y)的 (p+q)階幾何矩定義為 : 式中 ),( yxf 是圖像的灰度。m/m ?? cc YX 式（ 32） 若將坐標原點移至 cX 和 cY 處，就得到了對于圖像位移不變的中心矩。經(jīng)過以上步驟后，目標被突出，圖像背景被弱化，從而使目標更容易辨識； 圖 33 圖像分割與特征提取 （ 2） 通過 MatLab 中的自有函數(shù)對初始圖庫圖像和待分類圖像進行提取面積、矩形度、原型度、拉伸度以及周長等特征值，為之后的 Hu 矩不變特征做好準備； （ 3） 通過帶入步驟（ 2）的運算結(jié)果計算出初始圖庫圖像和待分類圖像的面積、矩形度和伸長度。一下就將這兩種分類方法對應(yīng)的具體算法進行主要介紹。在分開數(shù)據(jù)的超平面的兩邊建有兩個互相平行的超平面。 2. 算法詳述 （ 1） 二類分類 SVM 是從線性可分情況下的最優(yōu)分類面發(fā)展而來的， 主要 思想可用圖 1 的兩維情況說明。 對于二類模式分類問題，設(shè)有訓練樣本 niyx ii ,...,2,1},{:S1 ? ，其中 為模式向量， }1,1{ ???iy 為類別標號， n 為樣本容量，則將 SVM 優(yōu)化問題約束條件 由不等式改為等式，并將經(jīng)驗風險函數(shù)改為二次函數(shù)，則可得如式 （ 41） 所示約束優(yōu)化問題： 圖 41 最優(yōu)分類面 pix ??北京郵電大學本科畢業(yè)設(shè)計（論文） 15 ..221),(m in 21ts ewwebwJ iniTi?????? niebxwy iiTi , . . . ,2,1,1])([ ?????? ? 式（ 41） 式中， bxw iT ?? )(? 為高維特征空間中的分類超平面， w 和 b 為分類超平面的參數(shù)； ie 為第 i 個樣本點的訓練誤差，則 21ini e?? 為經(jīng)驗風險； 2|||| T ?? 衡量了學習機器的復(fù)雜性 ； 0?? 為懲罰因子，作用是在訓練中平衡學習的復(fù)雜性和經(jīng)驗風險。將上述式子合并，可通過如下式所示的線性方程組求解出 i? 和 b 。將訓練樣本 2S 存儲為兩個數(shù)據(jù)矩陣 X 和 Y，它們的第 i 行分別為 ii yx和 。 它 是將各個聚類子集內(nèi)的所有數(shù)據(jù)樣本的均值作為該聚類的代表點，算法的主要思想是通過迭代過程把數(shù)據(jù)集劃分為不同的類別 ，使得評價聚類性能的準則函數(shù)達到最優(yōu)，從而使生成的每個聚類內(nèi)緊湊，類間獨立。 歐氏距離的定義如下： 假設(shè)給定的數(shù)據(jù)集 ， X中的樣本用 d 個描 述屬性 A1,A2?Ad 來表示，并且 d 個描述屬性都是連續(xù)型屬性。給定數(shù)據(jù)集 X，其中只包含描述屬性，不包含類別屬性。 將所有對象隨機分配到 k 個非空的簇中。這個過程不斷重復(fù)直到滿足某個準則函數(shù)才停止。 ，得到 K個聚類 。真彩色圖像又稱 RGB 圖像，它是利用 R、 G、 B 三維空間的三個分量表征一個像素的顏色。圖像灰度化是將彩色圖像轉(zhuǎn)化為灰度圖像?；叶葓D像只包含強度信息，不包含顏色信息。由于人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍色的敏感度最低，當 rW =， aW =， cW = 時，即可得到最合理的灰度圖像。圖像增強的方法一般分為空間域和變換域兩大類。在一定條件下，中值濾波可以克服線性濾波器所帶來的圖像細節(jié)模糊，而卻對濾除脈沖干擾及顆粒噪聲最為有效。大量的研究表明，圖像模糊的實質(zhì)是圖像收到了求和、平均或積分運 算。銳化技術(shù)可以在空間域中進行，基本的方法是對圖像進行微分處理：在頻率域運用高通濾波技術(shù)。本系統(tǒng)中所使用的是 Sobel 微分算子方法。 在實際調(diào)用中，當灰度圖像通過中值濾波濾掉噪聲后，可以進行 Sobel 算子圖像增強，以達到提取邊緣的目的。 Hu 矩不變特征 值 在進行圖像處理時，常常需要在海量圖庫中搜尋我們感興趣的圖像。 令平面上點坐標為 P(x,y),重心為 C(x!,y!), 二階行距： Axxxxw M o m e n t /])!(*)!([ro ? ??? 二階列距： Ayyyyc o lM o m e n t /])!(*)!([? ??? A 為點的個數(shù)。 具體的調(diào)用語句如下： phi(1)=+。 phi(5)=(*)*(+)*((+)^23*(+)^2+(3*)* (+)*(3*(+)^2(+)^2))。%包含 7 個特征值 SVM神經(jīng)網(wǎng)絡(luò)的建立和訓練 在解決非線性分類，函數(shù)估計和密度估計問題 中，支持向量機是一個很 強大的方法 ，支持向量機 也 致使了其 核 心 的 新動向， 最新發(fā)展 是基于 一般學習方法 的。 最小二乘支持向量機 與 正規(guī)化網(wǎng)絡(luò)和高斯過程密切相關(guān)，但 更 加重視和利用原始對偶的 規(guī)范條款解釋 。 本系統(tǒng)中將使用到 L