【文章內(nèi)容簡(jiǎn)介】 畢業(yè)設(shè)計(jì)（論文） 4 分類(lèi)算法研究 :在理解算法原理的基礎(chǔ)上運(yùn)用算法，實(shí)現(xiàn)算法功能并分析比較算法性能。 智能圖像分析軟件實(shí)現(xiàn) : 系統(tǒng)以 MatLab 為平臺(tái)，通過(guò)用戶(hù)界面形式實(shí)現(xiàn)了基于聚類(lèi)的智能圖像分類(lèi)軟件，具有建立根據(jù)現(xiàn)有圖庫(kù)訓(xùn)練網(wǎng)絡(luò)、對(duì)任一圖像實(shí)現(xiàn)分類(lèi)并以圖文結(jié)合方式展現(xiàn)分類(lèi)結(jié)果等功能。 系統(tǒng)方案 論文以水果圖像的分類(lèi)為目標(biāo)，通過(guò)圖像的預(yù)處理、特征提取與分類(lèi)，基于 MatLab實(shí)現(xiàn)圖像的智能分析。 在圖像預(yù)處理階段，系統(tǒng)將對(duì)輸入圖像進(jìn)行灰度化、中值濾波以及銳化并提取圖像邊緣的操作。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(zhǎng)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。分類(lèi)階段， 系統(tǒng)為用戶(hù)提供了選擇界面。當(dāng)使用者選擇 SVM 分類(lèi)方法時(shí)，系統(tǒng)將通過(guò)使用圖庫(kù)訓(xùn)練學(xué)習(xí)的方式得到分類(lèi)結(jié)果。當(dāng)使用者選擇 Kmeans 分類(lèi)時(shí)，系統(tǒng)將得到自主聚類(lèi)的分類(lèi)結(jié)果。 本文的結(jié)構(gòu) 本文分為七個(gè)部分，各部分的內(nèi)容依次如下： 第一章，緒論。 介紹要解決的主要問(wèn)題問(wèn)題。 第二章， 技術(shù)基礎(chǔ)。 介紹 本文涉及到的知識(shí)以及使用的工具。 第三章，圖像矩不變特征提 取。對(duì)本文采用的訓(xùn)練特征進(jìn)行詳細(xì)介紹。 第四章，分類(lèi)算法。對(duì)本文用到的兩類(lèi)不同的分類(lèi)算法進(jìn)行詳細(xì)介紹。 第五章，算法軟件實(shí)現(xiàn)。對(duì)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。 第六章，系統(tǒng)測(cè)試。 第七章，結(jié)論與展望。論文的成果總結(jié)及不足展望。 北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（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(chǎng)中可用作圖像標(biāo)志的屬性， 通?？梢苑譃榻y(tǒng)計(jì)特征與視覺(jué)特征兩大類(lèi)。統(tǒng)計(jì)特征包括 直方圖 、 頻譜和矩等 ，是人為特征，需要經(jīng)過(guò)變換才能得到。視覺(jué)特征指 的是 具有直觀意義的圖像的形狀與顏色特征 ， 如 顏色 、紋理、形狀等。 圖像特征的提取和分析是智能圖像分析的關(guān)鍵步驟。近年來(lái)，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。 對(duì)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(dá)方式。也就是說(shuō)，圖像的不同特征從各個(gè)角度反映了圖像在這個(gè)特定維度中的特點(diǎn)。 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 。 頻譜是以橫軸縱軸的波紋方式，記錄畫(huà)出 圖像中包含的 各種信號(hào)頻率的圖形資料 ，是圖像信號(hào)的頻域表征。 矩特征表征了圖像區(qū)域的幾何特征 ,又稱(chēng)為幾何矩，其具有 平移 、 旋轉(zhuǎn) 、尺度等特性的不變特征，又稱(chēng)其為不變矩 。也是本文中應(yīng)用到得特征。 在視覺(jué)特征中， 顏色特征是一種全局特征 ,表征了圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì) ，是基于像素點(diǎn)的特征 。紋理特表征了圖像區(qū)域所對(duì)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(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算 。 形狀特征由其集合屬性（長(zhǎng)短、距離、面積、凹凸 ） 、統(tǒng)計(jì)屬性（投影）、拓?fù)鋵傩裕W拉數(shù)、連通）表征，是圖像最本質(zhì)的特征反映。 不變矩特征由于其在圖像平移、伸縮、旋轉(zhuǎn)時(shí)均保持不變，而且具有全局性，是圖像識(shí)別的主要方法，廣泛的應(yīng)用于機(jī)器視覺(jué)、目標(biāo)識(shí)別與分類(lèi)、紋理分析等等。 Hu 首先提出了七個(gè)幾何不變矩用于圖像識(shí)別，利用不變矩進(jìn)行形狀識(shí)別獲得了廣泛的應(yīng)用。后來(lái)人們進(jìn)行了多方面的研究，發(fā)現(xiàn)不變矩還具有絕對(duì)的獨(dú)立性，沒(méi)有信息冗余現(xiàn)象，抽樣性能好，抗噪能力強(qiáng)，更適合用于幾何不變圖像描述和識(shí)別。本文就將使用到 Hu 的不變矩特征。 圖像分類(lèi) 方 法 圖像分類(lèi)概念 從人眼角度看， 提高圖像對(duì)比對(duì)、增加視覺(jué)維度、進(jìn)行空間變換或?yàn)V波，其目的就是讓人們能夠憑借知識(shí)和經(jīng)驗(yàn)，根據(jù)圖像色調(diào)、亮度、位置、紋理以及結(jié)構(gòu)等特征，準(zhǔn)確的對(duì)圖像類(lèi)型或者目標(biāo)，做出正確的判斷和解釋?zhuān)⒏鶕?jù)當(dāng)下的需求，對(duì)所需圖像進(jìn)行繪制處理。 圖像分類(lèi)就是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行定量的分析的過(guò)程，把圖像中的各個(gè)像素或者北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 6 區(qū)域劃歸到若干類(lèi)別中的一類(lèi)去，以代替人眼的視覺(jué)判讀。圖像分類(lèi)的過(guò)程其實(shí)是一個(gè)模式識(shí)別的過(guò)程，是人眼目視判讀的延續(xù)以及發(fā)展。圖像分類(lèi)具有計(jì)算精度高、速度快、圖像測(cè)量準(zhǔn)確度高等特點(diǎn)。 圖像分類(lèi)原理 圖像分類(lèi)的理論依據(jù)是 ： 圖像中的同類(lèi)景物在相同條件下，應(yīng)具有相同或類(lèi)似的光譜信息特征，從而體現(xiàn)出某種同類(lèi)景物的某種內(nèi)在相似性，即同類(lèi)景物像素的特征向量將聚類(lèi)于同一特征的空間區(qū)域，從而不同的景物的光譜信息特征和空間信息特征不同，它們將聚類(lèi)于不同特征的空間區(qū)域。 從統(tǒng)計(jì)決策理論來(lái)看，圖像分類(lèi)在數(shù)學(xué)上就是對(duì)呈現(xiàn)統(tǒng)計(jì)可變的數(shù)據(jù)作出決策的過(guò)程。將一個(gè)像素歸入任一類(lèi)別的決策，可以說(shuō)是統(tǒng)計(jì)上的一種明智的“猜測(cè)”。統(tǒng)計(jì)決策比較成熟，對(duì)模式不太復(fù)雜的應(yīng)用已經(jīng)相當(dāng)?shù)某晒?，但不能反映模式結(jié)構(gòu)特性，概率表示形式使使用上也存在局限性。 神經(jīng)網(wǎng)絡(luò)分類(lèi)方法是只 能信息處理的重要內(nèi)容，它可以處理一些環(huán)境復(fù)雜、背景不清楚、推理規(guī)則不明確的問(wèn)題。 圖像分類(lèi) 方 法 用統(tǒng)計(jì)方法進(jìn)行圖像分類(lèi)時(shí)，首先從待分類(lèi)對(duì)象中提取能夠反映對(duì)象屬性的特征向量，并將這些向量定義在一個(gè)特征空間之中。之后運(yùn)用統(tǒng)計(jì)決策的方法對(duì)特征空間進(jìn)行劃分，用以區(qū)分不同特征對(duì)應(yīng)的對(duì)象，進(jìn)而達(dá)到分類(lèi)的目的。 同時(shí)，在分類(lèi)的過(guò)程中，按照有無(wú)樣本學(xué)習(xí)可以分為非監(jiān)督分類(lèi)法和監(jiān)督分類(lèi)法。 監(jiān)督分類(lèi)就是用已知的類(lèi)別樣本選擇特征參數(shù)和建立判別函數(shù)，對(duì)各個(gè)像素進(jìn)行分類(lèi)。 通常意義上的監(jiān)督分類(lèi)包含以下 兩 個(gè)具體的分類(lèi)方法。 1. 最小距離分類(lèi)法 最小距離分類(lèi)法是最簡(jiǎn)單的監(jiān)督分類(lèi)方法。 這種方法的基本思想是：從訓(xùn)練樣本中提取各個(gè)類(lèi)別對(duì)應(yīng)的均值向量并求出待測(cè)向量到各個(gè)均值向量的距離，比較后將待測(cè)類(lèi)別歸入距離最小的一類(lèi)中。 設(shè)待分類(lèi)像素 Tnxxxx ]...[ 21? 到類(lèi)別 i? 的距離為 式（ 21） 其中， m 為類(lèi)別數(shù)， iz 為類(lèi) i? 的中心。 當(dāng) 則 ix?? }{min1 jmji dd ???|||| ii zxd ?? ）（ mi ,...,2,1?北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 7 2. 最大似然分類(lèi)（多類(lèi)分類(lèi)） 最大似然 分類(lèi)建立在貝葉斯準(zhǔn)則上，其分類(lèi)正確率最高，是風(fēng)險(xiǎn)最小的判決分析。在 n 維特征空間中，待測(cè)像素 Tnxxxx ]...[ 21? 對(duì)于類(lèi) i? 的條件概率密度函數(shù) )/( ixP ? 和類(lèi)i? 的先驗(yàn)概率 )( iP? 均已知，則最大似然分類(lèi)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(shí) ，有 )]()(21e xp[||)2( 1)/( 1212 iiTii zxzxixP n ?????? ??? 式（ 23） 而非監(jiān)督分類(lèi)則需要在進(jìn)行分類(lèi)之前獲得類(lèi)別的先驗(yàn)屬性，通過(guò)這個(gè)屬性求出判別函數(shù)中的未知參數(shù)。 在先 驗(yàn)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(gè)類(lèi)別的方法稱(chēng)為費(fèi)監(jiān)督分類(lèi)，這種方法是根據(jù)像素間的相似度大小進(jìn)行聚類(lèi)。在聚類(lèi)過(guò)程中，通常是按照某種相似性準(zhǔn)則來(lái)對(duì)樣本進(jìn)行合并或分離。 像素聚類(lèi)有兩種途徑：迭代法與非迭代法。迭代法先給定一個(gè)初始分類(lèi)，然后通過(guò)迭代算法找到能夠使準(zhǔn)則函數(shù)取極值的最優(yōu)聚類(lèi)結(jié)果，因此這是一個(gè)動(dòng)態(tài)聚類(lèi)分析過(guò)程。常用動(dòng)態(tài)聚類(lèi)法有 Kmeans 算法、 LBG 算法和分裂算法 。 MatLab 及圖像智能處理工具箱 MatLab 是 Matrix Laboratory（矩陣實(shí)驗(yàn)室） 的縮寫(xiě)，是一款由美國(guó) Math Works 公司出品的商業(yè) 數(shù)學(xué)軟件 。 MatLab 是一 款 用于數(shù)據(jù)可視化、算法開(kāi)發(fā)、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境。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(lái)創(chuàng)建 用戶(hù)界面 及與調(diào)用其它語(yǔ)言（包括 C， C++和 FORTRAN）編寫(xiě)的程序。 盡管 MatLab 主要用于數(shù)值運(yùn)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(jì)與分析、信號(hào)處理與通訊、金融建模和分析等。另外還有一個(gè)配套軟件包 Simulink，提供了一個(gè)可視化開(kāi)發(fā)環(huán)境，常用于系統(tǒng)模擬、動(dòng)態(tài) /嵌入式系統(tǒng)開(kāi)發(fā)等方面。 本系統(tǒng)的功能實(shí)現(xiàn)就是是借助 MatLab 的工具箱完成的。 Vapnik經(jīng)過(guò)多年研究，提出了統(tǒng)計(jì)學(xué)理論和一種新的經(jīng)驗(yàn)建模工具：支持向量機(jī)（ Support Vector Machine,SVM）。SVM 的訓(xùn)練是依據(jù)統(tǒng)計(jì)學(xué)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí)最小化 SVM 的模型復(fù)雜度，提高了模型的泛化能力。盡管如此， SVM 訓(xùn)練為一個(gè)有約束的二次規(guī)劃問(wèn)題，其約束條件數(shù)等于訓(xùn)練樣本容量，因此在用于大訓(xùn)練樣本容量的建模ix ??北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 8 問(wèn)題時(shí)，會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)。針對(duì) SVM 這一缺點(diǎn)， Suykens 提出了損失函數(shù)為二次函數(shù)，約束條件為等式形式的支持向量機(jī)：最小二乘支持向量機(jī)（ Least Squares Support Vector Machine,LSSVM）。 LSSVM 的訓(xùn)練問(wèn)題為一個(gè)線性方程組求解問(wèn)題，相對(duì)于 SVM訓(xùn)練的二次規(guī)劃問(wèn)題求解，其計(jì)算量有了很大的降低。 此次系統(tǒng)所用的工具包為由比利時(shí)魯汶大學(xué)的 發(fā)的 LSSVMlab Toolbox（ Version ）。此工具箱實(shí)現(xiàn)了基于 SVM 算法的多類(lèi)分類(lèi)。此外，在展現(xiàn)運(yùn)行結(jié)果時(shí)用到了 MatLab 中的 GUI 用戶(hù)界面設(shè)計(jì)。 圖形用戶(hù)界面（ Graphical User Interface，簡(jiǎn) 稱(chēng) GUI，又稱(chēng)圖形用戶(hù)接口）是指采用圖形方式顯示的 計(jì)算機(jī) 操作 用戶(hù)接口 。 北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（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 。 一 顏色特征 （一）特點(diǎn)：顏色特征是一種全局特征 ,描述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)。一般顏色特征是基于像素點(diǎn)的特征，此時(shí)所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。由于顏色對(duì)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(duì)象的局部特征。 （二）常用的特征提取與匹配方法 顏色直方圖 。 其優(yōu)點(diǎn)在于：它能簡(jiǎn)單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動(dòng)分割的圖像和不需要考慮物體空間位置的圖像。其缺點(diǎn)在于：它無(wú)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(wú)法描述圖像中的某一具體的對(duì)象或物體。 （三） 常用的顏色空間： RGB 顏色空間、 HSV顏色空間。 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。 二 紋理特征 （一）特點(diǎn)：紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。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?xún)H僅利用紋理特征是無(wú)法獲得高層次圖像內(nèi)容的。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(gè)像素點(diǎn)的區(qū)域中進(jìn)行 統(tǒng)計(jì)計(jì)算。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(huì)由于局部的偏差而無(wú)法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時(shí)候，所計(jì)算出來(lái)的紋理可能會(huì)有較大偏差。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(lái)的紋理不一定是 3D 物體表面真實(shí)的紋理。 （二）常用的特征提取與匹配方法 紋理特征描述方法分類(lèi) （ 1）統(tǒng)計(jì)方法統(tǒng)計(jì)方法的典型代表是一種稱(chēng)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(jì)特征基礎(chǔ)上，通過(guò)實(shí)驗(yàn)，得出灰度共生矩陣的四個(gè)關(guān)鍵特征：能量、慣量、熵和相關(guān)性。統(tǒng)計(jì)方法中另一種典型方法，則是從圖像的自相關(guān)函數(shù)（即圖像的能量譜函數(shù)）提取紋理特征，即通過(guò)對(duì)圖像的能量譜函數(shù)的計(jì)算，提取紋理的粗細(xì)度及方向性等特征參數(shù) （ 2）幾何法 所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎(chǔ)上的一種紋理特征分北京郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 10 析方法。紋理基元理論認(rèn)為，復(fù)雜的紋理可以由若干簡(jiǎn)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。在幾何法中，比較有影響的算法有兩種： Voronio 棋盤(pán)格特征法和結(jié)構(gòu)法。 （ 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。典型的方法是隨機(jī)場(chǎng)模型法，如馬爾可夫（ Markov）隨機(jī)場(chǎng)（ MRF）模型法和 Gibbs 隨機(jī)場(chǎng)模型法 （ 4）信號(hào)處理法 紋理特征的提取與匹配主要有：灰度共生矩陣、 Tamura 紋理特征、自回歸紋理模型、小波變換等。 灰度共生