基于集成機(jī)器學(xué)習(xí)的圖像認(rèn)知區(qū)域增強(qiáng)和抑制的算法研究.pdf

1、圖像增強(qiáng)屬于圖像處理中的初級(jí)應(yīng)用,作為基礎(chǔ)性處理在許多圖像處理領(lǐng)域都有著廣泛的應(yīng)用。但是,由于當(dāng)前的圖像增強(qiáng)算法大都是針對(duì)全局圖像數(shù)據(jù),處理效果和處理速度受圖片采集環(huán)境和尺寸的影響很大:每一種圖像增強(qiáng)算法的針對(duì)對(duì)象和適用環(huán)境不同,算法適應(yīng)能力有限;幾乎所有圖像增強(qiáng)算法處理速度都會(huì)受圖像尺寸影響,圖像尺寸越大處理速度越慢。這使得圖像增強(qiáng)算法的使用靈活程度大大降低,容易受環(huán)境限制。在本文中,研究了機(jī)器學(xué)習(xí)在圖像增強(qiáng)處理中的應(yīng)用,讓圖像增強(qiáng)處

2、理能夠只對(duì)學(xué)習(xí)過(guò)的圖像目標(biāo)進(jìn)行處理。
　　本文首先簡(jiǎn)要介紹了模式識(shí)別在圖像認(rèn)知領(lǐng)域的研究和發(fā)展,以及當(dāng)前主流機(jī)器學(xué)習(xí)算法,然后提出基于LDF核(Linear Distance Function, LDF)的支持向量機(jī)(Support Vector Machine, SVM),在分析了LDF核的線性可加性的、SVM邊緣檢測(cè)窗口尺寸對(duì)邊緣檢測(cè)的影響的基礎(chǔ)上,提出了基于LDF-SVM級(jí)聯(lián)邏輯結(jié)構(gòu)的邊緣檢測(cè)。
　　然后,提出一種多類

3、分類集成學(xué)習(xí)機(jī)(hyper dimensional geometry integrated learning machine, HDGILM)來(lái)對(duì)目標(biāo)圖像進(jìn)行學(xué)習(xí)和分類。該機(jī)器學(xué)習(xí)算法考慮了學(xué)習(xí)對(duì)象的多樣性,分類訓(xùn)練能力,分類計(jì)算速度。提出并使用了一個(gè)綜合超平面距離度量分類器(hyper plane distance metric classifier, HPDMC)、kNN和SVM集成學(xué)習(xí)模型,并考慮了將分類空間劃分為強(qiáng)分類空間和弱分

4、類空間,讓HPDMC適用于強(qiáng)分類空間,kNN和SVM去執(zhí)行弱分類空間的分類。
　　最后,提出一個(gè)基于圖像認(rèn)知區(qū)域的圖像增強(qiáng)與抑制算法框架,通過(guò)HDGILM集成學(xué)習(xí)機(jī)對(duì)目標(biāo)區(qū)域進(jìn)行學(xué)習(xí)與檢測(cè),再利用基于LDF-SVM邊緣檢測(cè)去實(shí)現(xiàn)圖像增強(qiáng)。
　　通過(guò)Matlab實(shí)驗(yàn)仿真來(lái)研究分析本文算法對(duì)現(xiàn)實(shí)環(huán)境下采集圖像的處理效果。觀察發(fā)現(xiàn):對(duì)于灰度變化細(xì)節(jié)單一的圖像區(qū)域,本文算法的處理效果不明顯;對(duì)于灰度變化細(xì)節(jié)豐富的圖像區(qū)域,該算法可以