【正文】 ast Squares Support Vector Machine,LSSVM）。一般顏色特征是基于像素點(diǎn)的特征，此時所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內(nèi)容的。紋理基元理論認(rèn)為，復(fù)雜的紋理可以由若干簡單的紋理基元以一定的有規(guī)律的形式重復(fù)排列構(gòu)成。圖像的輪廓特征主要針對物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個形狀區(qū)域。 四 空間關(guān)系特征 特點(diǎn)：所謂空間關(guān)系，是指圖像中分割出來的多個目標(biāo)之間的相互的空間位置或相對方向關(guān)系，這些關(guān)系也可分為連接 /鄰接關(guān)系、交疊 /重疊關(guān)系和包含 /包容關(guān)系等。 圖像矩不變特征介紹 矩特征主要表 示 了圖像區(qū)域 內(nèi) 的幾何特征 ,又稱為幾何矩 ， 由于其具有平移、旋轉(zhuǎn)、尺度等特性的不變特征，所以又稱其為矩不變。比如，輸入系統(tǒng)的待分類圖片中的感興趣區(qū)域很可能由于拍攝角度的問題扭曲、拉伸、變形等，但是矩不變特征的這一特性很好的避免了此類操作造成的誤差，提高了系統(tǒng)的分類準(zhǔn)確度。同 理，如果我們將圖像的灰度值看作是一個二維或三維的密度分布函數(shù)， 則 矩方法 就 可用于圖像分析領(lǐng)域并 且 用作圖像特征的提取。這樣一來每幅圖像就包含了 10 個特征值，建立一個數(shù)組，將特征值存儲進(jìn)去即可。假定平行超平 面間的距離或差距越大，分類器的總誤差越小。,( 1 iiTiini ebxwyaebwJaebwL ??????? ? ? 式（ 43） 式中 ia 為 Lagrange 乘子，取值為一切實(shí)數(shù)。求解完畢后，則可建立下述 LSSVM 函數(shù)： ?? ???ni jiijijj ljbxxkyxy 1 , . . . ,2,1,),()(? ? 式（ 49） 而模式向量 x 的類別由判別函數(shù) ljxyxc jj , . . . ,2,1) ) ,(?s g n ()( ?? 輸出組成的向量 c 決定。樣本 xi 和 xj 之間的相似度通常用它們之間的距離 d(xi,xj)來表示，距離越小，樣本 xi 和 xj 越相似，差異度越小；距離越大，樣本 xi 和 xj 越不相似，差異度越大。 ，分配給最近的簇 。軟件具有 樣本特征值數(shù)據(jù)庫 創(chuàng)建、訓(xùn)練網(wǎng)絡(luò)創(chuàng)建、圖像有監(jiān)督分類（ SVM 分類）以及圖像無監(jiān)督分類（ Kmeans分類）等功能。 在RGB 模型空間中，若 R=G=B，得到一種灰度顏色，其中 R=G=B 的值稱之為灰度值。 圖像 平滑與圖像銳化 中值濾波 圖像 平滑 是一種常用的圖像增強(qiáng)方法。語句如下： 北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 21 image=medfilt2(image,[3 3])。所謂各向同性，是指無論邊界或線條走向如何，只要幅度相等，算子就給出相同的輸出。sobel39。如果圖形的circleDisgree 越大于 1，則它越趨向于長軸為 x 方向的橢圓 .如果圖形的 circleDisgree 越接近于 1，則它越趨向于圓。 phi(7)=(3*)*(+)*((+)^23*(+)^2)+(3*)* (+)*(3*(+)^2(+)^2)。 健全性、 稀疏 性、 權(quán)重 可以被應(yīng)用到 LSSVM 上， 具有三個層次的推理貝葉斯框架 也 已經(jīng)制定 。這 些方法中的優(yōu)化問題，解決了一個典型的二次規(guī)劃問題。 phi(3)=(*)^2+(3* )^2。若使用一維幾何矩，就可以對幾何矩進(jìn)行排序，建立索引，然后選出與目標(biāo)的幾何矩最近的一部分樣本庫中的圖像進(jìn)行比較篩選，大大節(jié)省了搜尋所需要的時間。 Sobel 算子則在一定的程度上克服了這個問題。這一類消減圖像模糊的圖像增強(qiáng)方法稱為圖像銳化。 中值濾波是一種局部平均平滑技術(shù)，它是一種非線性濾波。而 R、 G、 B 的取值范圍是 0255，所以灰度的級別只有 256級。所以一個尺寸為 m*n的彩色圖像 ，將被存儲為一個 m*n*3 的多維數(shù)組。 ? ?| 1, 2 , ...,mX x m total??? ? ? ?21, di j ik jkkd x x x x????21 ikii p XE p m??????北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 18 。各個聚類子集的均值代表點(diǎn)（也稱聚類中心）分別為 m1， m2,? ,mk。 2. 算法 詳 述 （ 1）選定某種距離作為數(shù)據(jù)樣本間的相似性度量 kmeans 聚類算法不適合處理離散型屬性，對連續(xù)型屬性比較適合。 求解（ ）得到 b和a 之后，則可以得到如下的分類函數(shù)： ?? ??n1j jjj b)xk ( x ,y( x )y? ? 式（ 46） 模式向量 x 的類別由判別函數(shù) ))(?sgn(c(x) xy? 決定，其中 )sgn(? 為符號函數(shù)。所謂最優(yōu)分類線就是要求分類線不但能將兩類正確分開（訓(xùn)練錯誤率為 0），而且使分類間隔最大 。 SVM 分類算法 1. 算法簡介 支持向量機(jī) （ SVM， Support Vector Machine）是在 高 維 特征空間使用線性函數(shù)假設(shè)空間的學(xué)習(xí)系統(tǒng)。如果定義 pqrpqpq ??? /? 2/)( qpr ?? ， ,...3,2??qp Hu 的 7 種矩為： 北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 13 在本系統(tǒng)中，使用 SVM 神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類時，需要提取圖像的 Hu 矩不變特征。伸縮形變具有不 變性，并對圖像的基本形狀特性具有魯棒性，在具有一定形變的干擾情況下，仍能得出較好的圖像檢索結(jié)果。 迄今為止，常見的矩描述子可以分為以下幾種： 正交矩 、 幾何矩 、 旋轉(zhuǎn)矩 和 復(fù)數(shù)矩 。 空間關(guān)系特征的使用可加強(qiáng)對圖像內(nèi)容的描述區(qū)分能力，但空間關(guān)系特征常對圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。 （ 2）傅里葉形狀描述符法 傅里葉形狀描述符 (Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區(qū)域邊界的封閉性和周期性，將二維問題轉(zhuǎn)化為一維 問題。 灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關(guān)性四個參數(shù)。但是，紋理特征也有其缺點(diǎn)，一個很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時候，所計(jì)算出來的紋理可能會有較大偏差。其缺點(diǎn)在于：它無法描述圖像中顏色的局部 分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。此外，在展現(xiàn)運(yùn)行結(jié)果時用到了 MatLab 中的 GUI 用戶界面設(shè)計(jì)。 本系統(tǒng)的功能實(shí)現(xiàn)就是是借助 MatLab 的工具箱完成的。 像素聚類有兩種途徑：迭代法與非迭代法。 通常意義上的監(jiān)督分類包含以下 兩 個具體的分類方法。 從統(tǒng)計(jì)決策理論來看，圖像分類在數(shù)學(xué)上就是對呈現(xiàn)統(tǒng)計(jì)可變的數(shù)據(jù)作出決策的過程。 Hu 首先提出了七個幾何不變矩用于圖像識別，利用不變矩進(jìn)行形狀識別獲得了廣泛的應(yīng)用。 在圖像統(tǒng)計(jì)特征中， 直方圖 描述的是圖片顯示范圍內(nèi) 的 灰度 分布曲線 ，它的 橫軸從左到右代表照片從黑（暗部）到白（亮度）的 像素?cái)?shù)量 。論文的成果總結(jié)及不足展望。 第三章，圖像矩不變特征提 取。特征提取階段， 系統(tǒng)將計(jì)算出輸入圖像的圓度、拉伸度、周長等中間值，將這些必要的中間值帶入 Hu 特征迭代計(jì)算公式，即可獲得后續(xù)處理所需要的特征值向量。 簡單地說，聚類分析的結(jié)果取決于 變量的選擇和變量值獲取的兩個方面。大部分 SVM 方法都采用單一的核函數(shù)的類型，當(dāng)采用局部核函數(shù)則學(xué)習(xí)能力強(qiáng)、泛化性能較弱，采用全局性核函數(shù)則泛化性能強(qiáng)、學(xué)習(xí)能力較弱。 圖像處理技術(shù)發(fā)展非?？欤S著基礎(chǔ)理論研究的不斷推前、更新，各種新穎的圖像處理技術(shù)層出不窮。 從應(yīng)用的角度來看，數(shù)字照 相技術(shù)、電子影像、數(shù)字化電視機(jī)、圖像數(shù)據(jù)庫和多媒體技術(shù)的出現(xiàn)都在推動這一領(lǐng)域不斷地向前發(fā)展。面對數(shù)量龐大的圖像信息，尋找一種方便快捷、直接有效的對圖像進(jìn)行分類方法已經(jīng)成為進(jìn)行圖像處理工作的重要基礎(chǔ)和必不可少的重要環(huán)節(jié)，尤其是對于基于內(nèi)容的圖像檢索具有極其重要的作用。 圖像分類主要用于遙感、醫(yī)學(xué)與軍事等領(lǐng)域。而信息時代的到來，又無疑使圖像處理技術(shù)進(jìn)入了一個更加蓬勃發(fā)展的階段，特別是以多媒體技術(shù)、通信技術(shù)、信息存儲技術(shù)和以 Inter 為代表的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的加速發(fā)展以及高清晰度電視的深入應(yīng)用研究，圖像處理技術(shù)研究和應(yīng)用前景更為廣闊。 無監(jiān)督分類方面，本文采用了 kmeans 分類方法。在具有監(jiān)控、報(bào)警等功能的安防系統(tǒng)中，在自然基因顯微系統(tǒng)中，在模式識別系統(tǒng)中等，智能圖像處理技術(shù)都起到了不可小覷的作用。在提取出訓(xùn)練樣本的特征值后，將其輸入 SVM 的訓(xùn)練網(wǎng)絡(luò)進(jìn)行訓(xùn)練。同時，圖像處理又是一門與應(yīng)用緊密結(jié)合的學(xué)科，應(yīng)用領(lǐng)域涉及計(jì)算機(jī)視覺、地理、氣象、航空航天、醫(yī)療保健、刑事偵查等。其中最具代表性的是圖像分類技術(shù)以及基于內(nèi)容的圖像檢索。 基于內(nèi)容的圖像檢索就是根據(jù)圖像的語義和感知特征進(jìn)行檢索，具體實(shí)現(xiàn)就是從圖像數(shù)據(jù)中提取出特定的信息線索（或特征指標(biāo) ），然后根據(jù)這些線索從大量存儲在圖像數(shù)據(jù)庫的圖像中進(jìn)行查找，檢索出具有相似特征的圖像數(shù)據(jù)。20 世紀(jì) 80 年代中期，各種高性能的工作站和個人電腦應(yīng)用的普及使圖像處理研究和應(yīng)用不再僅僅是大機(jī)構(gòu)和大型學(xué)術(shù)團(tuán)體的“專利”。 由于圖像處理技術(shù)從一開始就具有很強(qiáng)的理論背景，因此一些具有高魯棒性的圖像處理算法已經(jīng)應(yīng)用到消費(fèi)類型的產(chǎn)品中，一些較成熟的算法也已逐步形成公認(rèn)的標(biāo)準(zhǔn)。 Bin Zhang 等采用基于聚類的樹算法加速 Kmeans，而不用預(yù)先計(jì)算 Kmeans 不相似測度的特性和矩陣式，從而更大的加快了算法的速度，并減小了計(jì)算準(zhǔn)確性的損失。入選的每個指標(biāo)必須能刻畫事物屬性的某個側(cè)面，所有指標(biāo)組合起來形成一個完備的指標(biāo)體系，它們互相配合可以共同刻畫事物的特征。 智能圖像分析軟件實(shí)現(xiàn) : 系統(tǒng)以 MatLab 為平臺，通過用戶界面形式實(shí)現(xiàn)了基于聚類的智能圖像分類軟件，具有建立根據(jù)現(xiàn)有圖庫訓(xùn)練網(wǎng)絡(luò)、對任一圖像實(shí)現(xiàn)分類并以圖文結(jié)合方式展現(xiàn)分類結(jié)果等功能。 介紹要解決的主要問題問題。對系統(tǒng)涉及的核心算法、關(guān)鍵函數(shù)以及系 統(tǒng)界面進(jìn)行詳細(xì)的介紹。近年來，隨著多媒體技術(shù)的發(fā)展，許多圖像特征被研究人員發(fā)掘并利用，為進(jìn)一步的圖像處理提供了極大地便利。紋理特表征了圖像區(qū)域所對應(yīng)景物的表面性質(zhì)征，也是一種全局特征 ，但是紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算 。圖像分類的過程其實(shí)是一個模式識別的過程，是人眼目視判讀的延續(xù)以及發(fā)展。之后運(yùn)用統(tǒng)計(jì)決策的方法對特征空間進(jìn)行劃分，用以區(qū)分不同特征對應(yīng)的對象，進(jìn)而達(dá)到分類的目的。在 n 維特征空間中，待測像素 Tnxxxx ]...[ 21? 對于類 i? 的條件概率密度函數(shù) )/( ixP ? 和類i? 的先驗(yàn)概率 )( iP? 均已知，則最大似然分類法建立的判別函數(shù)集為 ： )/()()( iii xPPxD ??? （ mi ,...2,1? ） 式（ 22） 若 )}({m in)( 1 xDxD jmji ??? 則 當(dāng) x 服從高維正態(tài)分布 時 ，有 )]()(21e xp[||)2( 1)/( 1212 iiTii zxzxixP n ?????? ??? 式（ 23） 而非監(jiān)督分類則需要在進(jìn)行分類之前獲得類別的先驗(yàn)屬性，通過這個屬性求出判別函數(shù)中的未知參數(shù)。除了矩陣運(yùn)算、繪制函數(shù) /數(shù)據(jù)圖像等常用功能外， MatLab 還可以用來創(chuàng)建 用戶界面 及與調(diào)用其它語言（包括 C， C++和 FORTRAN）編寫的程序。 LSSVM 的訓(xùn)練問題為一個線性方程組求解問題，相對于 SVM訓(xùn)練的二次規(guī)劃問題求解，其計(jì)算量有了很大的降低。由于顏色對圖像或圖像區(qū)域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個像素點(diǎn)的區(qū)域中進(jìn)行 統(tǒng)計(jì)計(jì)算。在幾何法中，比較有影響的算法有兩種： Voronio 棋盤格特征法和結(jié)構(gòu)法。 幾種典型的形狀特征描述方法： （ 1）邊界特征法該方法通過對邊界特征的描述 來獲取圖像的形狀參數(shù)。通?？臻g位置信 息可以分為兩類：相對空間位置信息和絕對空間位置信息。在圖像處理中，幾何矩不變可以 被用來當(dāng)做 一個重要的特征來表示物體，可以據(jù)此特征來對圖像進(jìn)行分類等操作。 以下是兩個矩不變特征的圖像檢索實(shí)例。最常用的，物體的零階矩 顯 示了圖像的 “質(zhì)量 ”： ?? ??????? d xd yyxf ),(m 00 式（ 31） 一階矩 ( 1001m,m )用于確定圖像質(zhì)心 ( ccYX, )： 00010010 m/m。 ])()(3)[)(3(])(3)) [ ()(3())((4])(3)) [ ((])()(3)[)(3(])(3)) [ ()(3()()()3()3(4)(203212123003211230203212123012300321703211230112032121230022062032121230032103212032121230123012305203212123042032121230311220220202201???????????