【正文】 不夠的，不能有效準確地表達場景信息。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。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 QBIC 系統(tǒng)中，便是利用圓度、偏心率、主軸方向和代數(shù)不變矩等幾何參數(shù)，進行基于形狀特征的圖像檢索。由邊界點導出三種形狀表達，分別是曲率函數(shù)、質(zhì)心距離、復(fù)坐標函數(shù)。 Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區(qū)域封閉邊界的一種方法，其基本思想是點 —線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關(guān)于邊緣大小和方向的直方圖，通常的方法是構(gòu)造圖像灰度梯度方向矩陣。 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)。 三 形狀特征 （一）特點：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題， （二）常用的特征提取與匹配方法 通常情況下，形狀特征有兩類表示方法，一類是輪廓特征，另一類是區(qū)域特征。 Tamura 紋理特征基于人類對紋理的視覺感知心理學研究，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。典型的方法是隨機場模型法，如馬爾可夫（ Markov）隨機場（ MRF）模型法和 Gibbs 隨機場模型法 （ 4）信號處理法 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。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。統(tǒng)計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，即通過對圖像的能量譜函數(shù)的計算，提取紋理的粗細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本科畢業(yè)設(shè)計（論文） 10 析方法。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。作為一種統(tǒng)計特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對于噪聲有較強的抵抗能力。與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區(qū)域中進行 統(tǒng)計計算。 二 紋理特征 （一）特點：紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對應(yīng)景物的表面性質(zhì)。 （三） 常用的顏色空間： RGB 顏色空間、 HSV顏色空間。 其優(yōu)點在于：它能簡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分割的圖像和不需要考慮物體空間位置的圖像。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。 一 顏色特征 （一）特點：顏色特征是一種全局特征 ,描述了圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)。 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 。此工具箱實現(xiàn)了基于 SVM 算法的多類分類。 LSSVM 的訓練問題為一個線性方程組求解問題，相對于 SVM訓練的二次規(guī)劃問題求解，其計算量有了很大的降低。盡管如此， SVM 訓練為一個有約束的二次規(guī)劃問題，其約束條件數(shù)等于訓練樣本容量，因此在用于大訓練樣本容量的建模ix ??北京郵電大學本科畢業(yè)設(shè)計（論文） 8 問題時，會導致訓練時間過長。 Vapnik經(jīng)過多年研究，提出了統(tǒng)計學理論和一種新的經(jīng)驗建模工具：支持向量機（ Support Vector Machine,SVM）。另外還有一個配套軟件包 Simulink，提供了一個可視化開發(fā)環(huán)境，常用于系統(tǒng)模擬、動態(tài) /嵌入式系統(tǒng)開發(fā)等方面。除了矩陣運算、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。 MatLab 及圖像智能處理工具箱 MatLab 是 Matrix Laboratory（矩陣實驗室） 的縮寫，是一款由美國 Math Works 公司出品的商業(yè) 數(shù)學軟件 。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。在聚類過程中，通常是按照某種相似性準則來對樣本進行合并或分離。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 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)督分類則需要在進行分類之前獲得類別的先驗屬性，通過這個屬性求出判別函數(shù)中的未知參數(shù)。 設(shè)待分類像素 Tnxxxx ]...[ 21? 到類別 i? 的距離為 式（ 21） 其中， m 為類別數(shù)， iz 為類 i? 的中心。 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。 監(jiān)督分類就是用已知的類別樣本選擇特征參數(shù)和建立判別函數(shù)，對各個像素進行分類。之后運用統(tǒng)計決策的方法對特征空間進行劃分，用以區(qū)分不同特征對應(yīng)的對象，進而達到分類的目的。 神經(jīng)網(wǎng)絡(luò)分類方法是只 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)則不明確的問題。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”。 圖像分類原理 圖像分類的理論依據(jù)是 ： 圖像中的同類景物在相同條件下，應(yīng)具有相同或類似的光譜信息特征，從而體現(xiàn)出某種同類景物的某種內(nèi)在相似性，即同類景物像素的特征向量將聚類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，它們將聚類于不同特征的空間區(qū)域。圖像分類的過程其實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。 圖像分類 方 法 圖像分類概念 從人眼角度看， 提高圖像對比對、增加視覺維度、進行空間變換或濾波，其目的就是讓人們能夠憑借知識和經(jīng)驗，根據(jù)圖像色調(diào)、亮度、位置、紋理以及結(jié)構(gòu)等特征，準確的對圖像類型或者目標，做出正確的判斷和解釋，并根據(jù)當下的需求，對所需圖像進行繪制處理。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。 不變矩特征由于其在圖像平移、伸縮、旋轉(zhuǎn)時均保持不變，而且具有全局性，是圖像識別的主要方法，廣泛的應(yīng)用于機器視覺、目標識別與分類、紋理分析等等。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的特征，它需要在包含多個像素點的區(qū)域中進行統(tǒng)計計算 。也是本文中應(yīng)用到得特征。 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。也就是說，圖像的不同特征從各個角度反映了圖像在這個特定維度中的特點。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，為進一步的圖像處理提供了極大地便利。視覺特征指 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。 北京郵電大學本科畢業(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。 第七章，結(jié)論與展望。對系統(tǒng)涉及的核心算法、關(guān)鍵函數(shù)以及系 統(tǒng)界面進行詳細的介紹。對本文用到的兩類不同的分類算法進行詳細介紹。對本文采用的訓練特征進行詳細介紹。 介紹 本文涉及到的知識以及使用的工具。 介紹要解決的主要問題問題。當使用者選擇 Kmeans 分類時，系統(tǒng)將得到自主聚類的分類結(jié)果。分類階段， 系統(tǒng)為用戶提供了選擇界面。 在圖像預(yù)處理階段，系統(tǒng)將對輸入圖像進行灰度化、中值濾波以及銳化并提取圖像邊緣的操作。 智能圖像分析軟件實現(xiàn) : 系統(tǒng)以 MatLab 為平臺，通過用戶界面形式實現(xiàn)了基于聚類的智能圖像分類軟件，具有建立根據(jù)現(xiàn)有圖庫訓練網(wǎng)絡(luò)、對任一圖像實現(xiàn)分類并以圖文結(jié)合方式展現(xiàn)分類結(jié)果等功能。 主要研究內(nèi)容 論文主要研究內(nèi)容包括： 圖像特征提取方法研究 ：分析圖像的典型特征 ,并研究 Hu矩不變特征值的計算方法。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。如果所選指標不完備，則導致分類偏差。入選的每個指標必須能刻畫事物屬性的某個側(cè)面，所有指標組合起來形成一個完備的指標體系，它們互相配合可以共同刻畫事物的特征。 聚類分析是一種數(shù)值分類方法（即完全是根據(jù)數(shù)據(jù)關(guān)系）。 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) 。何靈敏等采用基于徑向基核函數(shù)的SVM 方法對遙感圖像分類，并證實采用一對多的 SVM 分類方法比 BP 神經(jīng)網(wǎng)絡(luò)方法更適合于對復(fù)雜小 樣本多原數(shù)據(jù)的分類，蔣蕓等將粗糙集理論與 SVM 結(jié)合起來，利用粗糙集理論處理大數(shù)據(jù)量、消除冗余信息等方面的優(yōu)勢，減少訓練數(shù)據(jù)，提高了 SVM 的分類能力。 Bin Zhang 等采用基于聚類的樹算法加速 Kmeans，而不用預(yù)先計算 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，并減小了計算準確性的損失。但傳統(tǒng) Kmeans 算法搜索匹配效率低，特別是對于高維的大型數(shù)據(jù) 集，搜索分類非常費時。 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。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。 由于圖像處理技術(shù)從一開始就具有很強的理論背景，因此一些具有高魯棒性的圖像處理算法已經(jīng)應(yīng)用到消費類型的產(chǎn)品中，一些較成熟的算法也已逐步形成公認的標準。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。 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)計到其他學科，如計算機科學、地理、醫(yī)療保健、刑事偵查等領(lǐng)域。圖像處理技術(shù)和應(yīng)用前景將更為廣闊。20 世紀 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)用不再僅僅是大機構(gòu)和大型學術(shù)團體的“專利”。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。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。 人們常說 “物以類聚，人以群分”。 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行檢索，具體實現(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 ），然后根據(jù)這些線索從大量存儲在圖像數(shù)據(jù)庫的圖像中進行查找，檢索出具有相似特征的圖像數(shù)據(jù)。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。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)。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。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。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。 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。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。同時，圖像處理又是一門與應(yīng)用緊密結(jié)合的學科，應(yīng)用領(lǐng)域涉及計算機視覺、地理、氣象、航空航天、醫(yī)療保健、刑事偵查等。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%。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。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。在提取出訓練樣本的特征值后，將其輸入 SVM 的訓練網(wǎng)絡(luò)進行訓練。 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 。 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?；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。在具有監(jiān)控、報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。 本文通過介紹智能圖像分析方法及相關(guān)算法理論，重