【正文】 MatLab 中的灰度化函數(shù)就是 這樣操作的，在具體的調(diào)用中，將圖像讀入之后，便可進行灰度化處理，語句如下： image =rgb2gray(imread(image))。 在實際調(diào)用中，將圖片讀入并進行灰度化處理后，便可以進行中值濾波。在空間域中，由于需要銳化的圖像邊界或線條可能是任意走向的，所以期望采用的算子應(yīng)該是各向同性的。語句如下： BW = edge(image,39。 由以上兩個信息可以算出圖形的圓度： circleDisgree = rowMoment /colMoment .如果北京郵電大學(xué)本科畢業(yè)設(shè)計（論文） 22 圖形的 circleDisgree 越小于 1，則它越趨向于長軸為 y 方向的橢圓。 phi(6)=()*((+)^2(+)^2)+4**(+12)*(+)。經(jīng)典的模式識別算法 的內(nèi)核版本，如 判別分析 的內(nèi)核 Fisher， 以非監(jiān)督學(xué)習(xí) 、循環(huán)式 網(wǎng)絡(luò)擴展和控制 之間的鏈接是可用的 。 LSSVM 是標準 SVM 的改進。 phi(4)=(+)^2+(+)^2。在本系統(tǒng)所實現(xiàn)的圖像分類功能中，需要將待測圖像的特征與圖庫圖像的特征進行比較，提取矩不變特征就大大節(jié)省了比較過程需要的時間 ，提高了比較效率 。 Sobel 算子的基本思想是：以待增強圖像的任意像素為中心，截取一個 3 3 的像素窗口，分別計算窗口中心像素在水平和垂直方向上的梯度，即可。 圖像銳化的主要目的是加強圖像中的目標邊界和圖像細節(jié)。由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以使用比較方便?，F(xiàn)階段主要有三種灰度化方法： （ 1） 平均值法：使 R、 G、 B 的值等于三個值的平均值，即 3BR BGRG ????? 式（ 51） （ 2） 最大值法：使 R、 G、 B 的值等于三個值中的最大值，即 ),(m a xBR BGRG ??? 式（ 52） （ 3）加權(quán)平均值法：根據(jù)重要性或者其他約束條件給 R、 G、 B 賦予不同的權(quán)值，并使 R、 G、 B 的值等于它們的加權(quán)平均值，即 3BR ar BWGWRWG c ????? 式（ 53） 其中， rW 、 cW 、 aW 分別為 R、 G、 B 的權(quán)值。 圖像信息獲取圖像預(yù)處理特征提取分類器設(shè)計 分類決策訓(xùn)練過程 決策過程分類器參數(shù)結(jié)果輸出分類k m e a n s 分類S V M 分類北京郵電大學(xué)本科畢業(yè)設(shè)計（論文） 20 數(shù)字圖像又分為彩色圖像和灰度圖像。 步 直到聚類中心不再變化。 則誤差平方和準則函數(shù)公式為： 式（ 411） （ 3）相似度的計算根據(jù)一個簇中對象的平均值來進行。因此在計算數(shù)據(jù)樣本之間的距離時，可以根據(jù)實際需要選擇歐式距離、曼哈頓距離或者明考斯距離中的一種來作為算法的相似性度量，其中最常用的是歐式距離。 北京郵電大學(xué)本科畢業(yè)設(shè)計（論文） 16 （ 2）多類分類 顯然上述分類只能應(yīng)用于二類模式分類問題，當(dāng) LSSVM 應(yīng)用于多類問題時，假設(shè) ??? ??? ??? lt iknkli iTiiki ewwebwJ 1 2,11,i 221),(m in ? 給定 l 類分類問題的訓(xùn)練樣本 ,...2,1},{:2 niyxS ji ?其中 jy 為 l 維的由 1 和 +1 組成的l 維向量，當(dāng) ix 為第 j 類時， jy 的第 j 個元素為 1，其余皆為 +1。分類線方程為 0??? bwx 。它 將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面。特征提取具體步驟如下： （ 1） 對初始圖庫圖像和待分類圖像進行二圖像濾波、直方圖均衡、圖像均衡、邊緣檢測、二值法銳化等預(yù)處理，將目標從背景中分割 出來。 圖像矩不變特征提取 數(shù)字圖像是通過一個數(shù)字矩陣表征的。 其中幾何矩 最早被提出并且形式最簡單 ， 所以 對它的研究最為充分。另外，實際應(yīng)用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。由邊界點導(dǎo)出三種形狀表達，分別是曲率函數(shù)、質(zhì)心距離、復(fù)坐標函數(shù)。 Tamura 紋理特征基于人類對紋理的視覺感知心理學(xué)研究，提出 6 種屬性，即：粗糙度、對比度、方向度、線像度、規(guī)整度和粗略度。另外，由于有可能受到光照、反射情況的影響，從 2D 圖像中反映出來的紋理不一定是 3D 物體表面真實的紋理。 （三） 常用的顏色空間： RGB 顏色空間、 HSV顏色空間。 圖形用戶界面（ Graphical User Interface，簡 稱 GUI，又稱圖形用戶接口）是指采用圖形方式顯示的 計算機 操作 用戶接口 。 Vapnik經(jīng)過多年研究，提出了統(tǒng)計學(xué)理論和一種新的經(jīng)驗建模工具：支持向量機（ Support Vector Machine,SVM）。迭代法先給定一個初始分類，然后通過迭代算法找到能夠使準則函數(shù)取極值的最優(yōu)聚類結(jié)果，因此這是一個動態(tài)聚類分析過程。 1. 最小距離分類法 最小距離分類法是最簡單的監(jiān)督分類方法。將一個像素歸入任一類別的決策，可以說是統(tǒng)計上的一種明智的“猜測”。后來人們進行了多方面的研究，發(fā)現(xiàn)不變矩還具有絕對的獨立性，沒有信息冗余現(xiàn)象，抽樣性能好，抗噪能力強，更適合用于幾何不變圖像描述和識別。 頻譜是以橫軸縱軸的波紋方式，記錄畫出 圖像中包含的 各種信號頻率的圖形資料 ，是圖像信號的頻域表征。 北京郵電大學(xué)本科畢業(yè)設(shè)計（論文） 5 第二章 技術(shù)基礎(chǔ) 圖像特征 圖像特征指的是圖像場中可用作圖像標志的屬性， 通?？梢苑譃榻y(tǒng)計特征與視覺特征兩大類。對本文采用的訓(xùn)練特征進行詳細介紹。分類階段， 系統(tǒng)為用戶提供了選擇界面。變量選擇越準確、測量越可靠，得到的分類結(jié)果越是能描述事物各類間的本質(zhì)區(qū)別。 聚類分析 聚類分析 (cluster analysis)是一種將研究對象分為相對同質(zhì)的群組 (clusters)的統(tǒng)計分析技術(shù) 。 就近年來產(chǎn)生了大量研究結(jié)果的圖像分類算法來說，從有無監(jiān)督的北京郵電大學(xué)本科畢業(yè)設(shè)計（論文） 3 監(jiān)督劃分為有監(jiān)督分類和無監(jiān)督分類。 總的來說，圖像處理技術(shù)將不再局限于電子工程研究領(lǐng)域，它已設(shè)計到其他學(xué)科，如計算機科學(xué)、地理、醫(yī)療保健、刑事偵查等領(lǐng)域。聚類分析分類方法是先對圖像按照某種相似性原則進行聚類，把相似的圖像聚合為一類，檢索過程在類內(nèi)進行，從而大大的縮小圖像檢 索范圍，就能夠達到快速、準確檢索圖像的目的。以遙感圖像分析為例，遙感技術(shù)是通過對遙感傳感器接收到的電磁波輻射信息特征的分析來識別地物類型的，這可以通過人工目視解釋來實現(xiàn)，或是用計算機進行自動分類處理，也可以用人工目視解釋與計算機自動分類處理相結(jié)合來實現(xiàn)。 數(shù)字圖像處理所涉及的知識非常廣泛，具體的研究方法種類繁多。預(yù)先設(shè)定好分類的類別數(shù)后，輸入待分類圖片，則系統(tǒng) 通過調(diào)用分類函數(shù)， 將自動分類的結(jié)果輸出。 目前基于內(nèi)容的智能圖像識別與分類技術(shù)在準確性具體應(yīng)用方面還面臨著許多難題。 有監(jiān)督分類方面，本文采用了提取能夠較好的保持圖像的邊緣、形狀等特性的 Hu矩不變特征作為訓(xùn)練特征，分類方法采用了基于聚類的 SVM 算法。 關(guān)鍵詞 SVM kmeans 圖像分類 基于聚類的智能圖像分析算 法畢業(yè)設(shè)計論文 Intelligent Image Analysis Based on Clustering Algorithm ABSTRACT Intelligent image processing technology has been widely applied in many fields. In monitoring and alarm security system, in natural gene microscope, and in the middle pattern recognition system, intelligent image processing technology has played highly important role. Currently contentbased image recognition and classification of intelligent technology are facing many problems in specific application for accuracy. This paper will describes intelligent image analysis method and algorithm theory, meanwhile bines with the same characteristics of HU image moments, and focuses on the SVM algorithm for classification and supervision of representatives of the costs of supervised classification algorithms. In the theoretical study, verify the application of results based on the use of MatLab algorithm. In the phase of supervising classification, this paper used Hu moments invariant feature as a training feature that can keep the extracted image edge, shape and other characteristics using SVMbased clustering algorithm. After extracting samples? characteristic value, put into SVM?s training work to have training. Finally the input image can be classified by the classification results. This paper concludes the approach to the classification of nonsupervised classification accuracy of the results meanwhile analyzes and discusses the accuracy. This paper used Kmenas classification method in the field of unsupervised classification. After preconfiguring data, put into classified image, and then by calling the classification function, the system will output the results of automatic classification. Based on algorithm, design and implementation of fruit intelligent image analysis application system with a characteristic value database, training work, image supervised classification and image unsupervised classification features. When the image has supervised classification, the SVM classification count classification, the accuracy rate can reach nearly 70%. KEY WORDS SVM kmeans Image classification I 目 錄 第一章 緒論 .............................................................................................................................. 1 智能圖像分析概述 .................................................................................................... 1 課題背景 ............................................................................................................ 1 國內(nèi)外研究現(xiàn)狀 ................................................................................................ 2 聚類分析 ..........................................