基于圖像特征的模式識(shí)別的研究與比較.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展和計(jì)算機(jī)應(yīng)用范圍的不斷擴(kuò)展,海量圖像數(shù)據(jù)需要被分析和處理。其中,根據(jù)圖像的特征進(jìn)行分類就是一個(gè)重要的應(yīng)用。因此,模式識(shí)別技術(shù)受到人們的廣泛關(guān)注和研究。模式識(shí)別主要包含三個(gè)部分:預(yù)處理、特征提取和模式分類。本文以此為重點(diǎn)進(jìn)行了相關(guān)研究,主要內(nèi)容如下:
　　預(yù)處理部分,首先,對(duì)圖像灰度化處理。其次,應(yīng)用中值濾波對(duì)圖像去噪。最后,應(yīng)用EM算法進(jìn)行圖像分割。
　　特征提取部分,本文主要研究了以下四種特征提取的方法

2、。第一,介紹不變矩方法及其原理,并且提出一種基于邊界矩的快速算法。第二,應(yīng)用連續(xù)傅里葉描述子方法彌補(bǔ)離散傅里葉描述子方法邊界不封閉的不足。第三,圖像數(shù)據(jù)通常是高維數(shù)據(jù),針對(duì)這一特點(diǎn)本文應(yīng)用主成份分析(Principal Component Analysis,PCA)方法,對(duì)圖像降維并提取相應(yīng)特征。可以大大降低計(jì)算復(fù)雜度。第四,獨(dú)立分量分析(Independent Component Analysis,ICA)方法是繼PCA之后的又一分析

3、高維數(shù)據(jù)的有力工具。它彌補(bǔ)了PCA對(duì)圖像數(shù)據(jù)高階統(tǒng)計(jì)量的缺失。本文采用FastICA作為ICA的特征提取算法,彌補(bǔ)傳統(tǒng)的ICA算法存在的迭代次數(shù)多,收斂難的不足。
　　模式分類部分,對(duì)BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的原理及其優(yōu)缺點(diǎn)進(jìn)行了分析。在此基礎(chǔ)上,提出一種RBF-BP的混合網(wǎng)絡(luò),以此來改善RBF網(wǎng)絡(luò)泛化能力弱和BP網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)。
　　實(shí)驗(yàn)結(jié)果表明,在特征提取的分析比較中,基于矩特征和基于傅里葉描述子的特征提取方法的識(shí)