【正文】 .............................................................. 21 Hu 矩不變特征值 ................................................................................................ 21 SVM 神經(jīng)網(wǎng)絡的建立和訓練 ............................................................................ 22 kmeans 分類函數(shù) ............................................................................................... 24 第六章 系統(tǒng)測試 .................................................................................................................... 26 系統(tǒng)界面 .................................................................................................................. 26 功能測試及統(tǒng)計 ...................................................................................................... 30 訓練樣本 .......................................................................................................... 30 結果與分析 ...................................................................................................... 30 第七章 結論與展望 ................................................................................................................ 33 結果與結論 .............................................................................................................. 33 問題與展望 .............................................................................................................. 33 心得體會 .................................................................................................................. 33 參考文獻 .................................................................................................................................. 35 致 謝 ...................................................................................................................................... 36 北京郵電大學本科畢業(yè)設計（論文） 1 第 一 章 緒論 智能圖像分析 概述 圖像處理技術從一開始就是一個基于線性代數(shù)、統(tǒng)計理論和物理學之上，具有很強理論背景的研究領域，它需要廣泛的基礎知識，包括計算機科學、數(shù)字信號處理、隨機過程和統(tǒng)計數(shù)學、矩陣分析、信息論、控制論和最優(yōu)化理論等。 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。而信息時代的到來，又無疑使圖像處理技術進入了一個更加蓬勃發(fā)展的階段，特別是以多媒體技術、通信技術、信息存儲技術和以 Inter 為代表的計算機網(wǎng)絡技術的加速發(fā)展以及高清晰度電視的深入應用研究，圖像處理技術研究和應用前景更為廣闊。傳統(tǒng)的圖像處理技術主要集中在圖像的獲取、變換、增強、恢復（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)，這些圖像處理技術也一直在更新與發(fā)展。這些圖像處理技術反映了人類的智力活動，它在計算機上模仿、延伸和擴展了人的智能，具有智能化處理功能，因而稱之為智能圖像處理技術。 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。 圖像分類主要用于遙感、醫(yī)學與軍事等領域。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。 北京郵電大學本科畢業(yè)設計（論文） 2 理的一個重要內容，也是模式識別技術在遙感技術領域中的具體應用。與傳統(tǒng)的基于關鍵詞的數(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果的集合限制等特點。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行分類方法已經(jīng)成為進行圖像處理工作的重要基礎和必不可少的重要環(huán)節(jié)，尤其是對于基于內容的圖像檢索具有極其重要的作用。 國內外研究現(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。在 20 世紀 7080 年代，圖像處理的研究方向主要集中于用圖像變換和數(shù)學模型來表征圖像信號?，F(xiàn)在隨著 Inter 的廣泛普及。 從應用的角度來看，數(shù)字照 相技術、電子影像、數(shù)字化電視機、圖像數(shù)據(jù)庫和多媒體技術的出現(xiàn)都在推動這一領域不斷地向前發(fā)展。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。除了上述這些研究領域外，圖像處理技術研究人員還積 極地眷力于紋理和圖形形狀的分析與識別、運動檢測與估計、圖像處理并行系統(tǒng)、圖像處理技術的軟硬兼研究等工作。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在產(chǎn)業(yè)化方面取得巨大的成功 。 圖像處理技術發(fā)展非?？?，隨著基礎理論研究的不斷推前、更新，各種新穎的圖像處理技術層出不窮。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。 Stefan Berchtold 等提出了一種預先計算 Kmeans 不相似測度的動態(tài)解空間的方法，簡化了計算，提高了搜索分類效率。 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。大部分 SVM 方法都采用單一的核函數(shù)的類型，當采用局部核函數(shù)則學習能力強、泛化性能較弱，采用全局性核函數(shù)則泛化性能強、學習能力較弱。 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。要進行聚類分析就要首先建立一個由某些事物屬性構成的指標體系，或者說是一個變量組合。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。 簡單地說，聚類分析的結果取決于 變量的選擇和變量值獲取的兩個方面。 課題 目標及本文研究內容 預期目標 本論文擬將智能分類技術應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 。 北京郵電大學本科畢業(yè)設計（論文） 4 分類算法研究 :在理解算法原理的基礎上運用算法，實現(xiàn)算法功能并分析比較算法性能。 系統(tǒng)方案 論文以水果圖像的分類為目標，通過圖像的預處理、特征提取與分類，基于 MatLab實現(xiàn)圖像的智能分析。特征提取階段， 系統(tǒng)將計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 特征迭代計算公式，即可獲得后續(xù)處理所需要的特征值向量。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果。 本文的結構 本文分為七個部分，各部分的內容依次如下： 第一章，緒論。 第二章， 技術基礎。 第三章，圖像矩不變特征提 取。 第四章，分類算法。 第五章，算法軟件實現(xiàn)。 第六章，系統(tǒng)測試。論文的成果總結及不足展望。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。 圖像特征的提取和分析是智能圖像分析的關鍵步驟。 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。 在圖像統(tǒng)計特征中， 直方圖 描述的是圖片顯示范圍內 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 像素數(shù)量 。 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 、尺度等特性的不變特征，又稱其為不變矩 。 在視覺特征中， 顏色特征是一種全局特征 ,表征了圖像區(qū)域所對應的景物的表面性質 ，是基于像素點的特征 。 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，是圖像最本質的特征反映。 Hu 首先提出了七個幾何不變矩用于圖像識別，利用不變矩進行形狀識別獲得了廣泛的應用。本文就將使用到 Hu 的不變矩特征。 圖像分類就是通過計算機對圖像進行定量的分析的過程，把圖像中的各個像素或者北京郵電大學本科畢業(yè)設計（論文） 6 區(qū)域劃歸到若干類別中的一類去，以代替人眼的視覺判讀。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。 從統(tǒng)計決策理論來看，圖像分類在數(shù)學上就是對呈現(xiàn)統(tǒng)計可變的數(shù)據(jù)作出決策的過程。統(tǒng)計決策比較成熟，對模式不太復雜的應用已經(jīng)相當?shù)某晒?，但不能反映模式結構特性，概率表示形式使使用上也存在局限性。 圖像分類 方 法 用統(tǒng)計方法進行圖像分類時，首先從待分類對象中提取能夠反映對象屬性的特征向量，并將這些向量定義在一個特征空間之中。 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。 通常意義上的監(jiān)督分類包含以下 兩 個具體的分類方法。 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。 當 則 ix?? }{min1 jmji dd ???|||| ii zxd ?? ）（ mi ,...,2,1?北京郵電大學本科畢業(yè)設計（論文） 7 2. 最大似然分類（多類分類） 最大似然 分類建立在貝葉斯準則上，其分類正確率最高，是風險最小的判決分析。 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。 像素聚類有兩種途徑：迭代法與非迭代法。常用動態(tài)聚類法有 Kmeans 算法、 LBG 算法和分裂算法 。 MatLab 是一 款 用于數(shù)據(jù)可視化、算法開發(fā)、數(shù)據(jù)分析以及數(shù)值計算的高級技術計算語言和交互式環(huán)境。 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）它也適合不同領域的應用，例如圖像處理、控制系統(tǒng)設計與分析、信號處理與通訊、金融建模和分析等。 本系統(tǒng)的功能實現(xiàn)就是是借助 MatLab 的工具箱完成的。SVM 的訓練是依據(jù)統(tǒng)計學理論中的結構風險最小化原則，在最小化經(jīng)驗風險的同時最小化 SVM 的模型復雜度，提高了模型的泛化能力。針對 SVM 這一缺點， 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：最小二乘支持向量機（ Least Squares Support Vector Machine,LSSVM）。 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 ）。此外，在展現(xiàn)運行結果時用到了 MatLab 中的 GUI 用戶界面設計。 北京郵電大學本科畢業(yè)設計（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、空間關系特征 。一般顏色特征是基于像素點的