紋理分析與模式分類.pdf

1、特征提取與模式分類是模式識別中的兩個基本問題,也是該論文工作的主要線索.論文從紋理特征提取和紋理圖象分割入手,提出了一種基于最優(yōu)特征空間類間可分離性的濾波器組設計準則,之后重點討論了基于核密度估計的非監(jiān)督聚類方法-均值移動算法.我們還全面分析和完善了動態(tài)均值移動算法,并提出了特征空間重采樣策略,從而有效提高了均值移動算法的分類速度.論文的主要工作包括:①研究了紋理圖象頻域特征的形成和提取,在此基礎上提出了一系列濾波器參數設計的準則,目的

2、是在Fisher準則的指導下構造具有盡量好的類間可分性、相關性小,維數較低的特征空間.實驗結果表明,給出的濾波器組參數選擇標準在保持較好分割效果的情況下,能夠明顯降低分類器設計的復雜度和分類過程的計算量,從而提高紋理圖象分割的速度.②研究了均值移動聚類算法的一些基本問題.(1)分析了現有的帶寬選擇方法對于樣收斂的影響,并提出了一種具有更高優(yōu)化精度和適應性的混合帶寬選擇方法.(2)嚴格證明了在采用二次核函數時,樣本均值移動的經典優(yōu)化本質-

3、牛頓法尋優(yōu)并對[51]中的"blurring process"進行了深入的分析,在此基礎上提出了完整的動態(tài)均值移動算法,包括新的帶寬選擇方法和收斂停止準則.通過對樣本集合的動態(tài)更新和更有效的疊代停止標準的設計,動態(tài)算法的樣本收斂速度比靜態(tài)均值移動有了顯著提高.該文對高斯分布情況下靜態(tài)與動態(tài)均值移動算法的樣本收斂速度進行了理論上的分析和比較.實際樣本分類和圖象分割實驗表明,動態(tài)均移動算法在保持了良好分類效果的前提下明顯的提高了算法速度.③

4、將動態(tài)均值移動算法結合圖象空間信息,采用局部的特征空間聚類來完成圖象分割,并與基于聯合域分析的靜態(tài)均值動算法做了比較.該章還提出了均值移動的快速算法-基于特征空間重新采樣的均值移動算法.通過把原樣本集合分解成一系列樣本子集,用樣本子集中心和集合大小作為樣本分布的近似描述,極大的降低了均值移動算法的復雜度,同時保持了滿意的分類精度.圖象分割實驗表明,重采樣策略將均值移動算法速度提高了兩個數量級,并保持了滿意的分割效果,是一種非常實用的彩色