本文關(guān)鍵詞：基于復(fù)雜網(wǎng)絡(luò)的圖像建模與特征提取方法研究

  更多相關(guān)文章： 復(fù)雜網(wǎng)絡(luò) 圖像輪廓 數(shù)學(xué)建模 KNN特征提取

【摘要】：計(jì)算機(jī)和信息技術(shù)的快速發(fā)展,使得圖像識(shí)別技術(shù)的應(yīng)用也愈來愈普遍。而圖像表示作為圖像處理的基礎(chǔ),在計(jì)算機(jī)視覺和圖像識(shí)別中發(fā)揮著越來越重要的作用。近年來,復(fù)雜網(wǎng)絡(luò)理論引起了眾多研究者們的興趣,相關(guān)的概念和方法都是當(dāng)前的研究熱點(diǎn)。論文主要研究復(fù)雜網(wǎng)絡(luò)下的圖像建模與特征提取方法,針對(duì)其中存在的問題提出了相應(yīng)的改進(jìn)。論文研究的主要問題概括為以下三個(gè)方面:1.融合復(fù)雜網(wǎng)絡(luò)與輪廓識(shí)別方法。利用復(fù)雜網(wǎng)絡(luò)方法抽取目標(biāo)的輪廓拓?fù)湫畔?形成識(shí)別參數(shù),將復(fù)雜網(wǎng)絡(luò)方法的優(yōu)點(diǎn)融入到基于輪廓的目標(biāo)識(shí)別方法中,簡(jiǎn)化目標(biāo)網(wǎng)絡(luò)模型的復(fù)雜程度,增強(qiáng)識(shí)別方法的容噪性,形成一種有效的目標(biāo)識(shí)別方法。將現(xiàn)實(shí)中的各種輪廓以圖的形式表示,利用復(fù)雜網(wǎng)絡(luò)理論建立相應(yīng)的網(wǎng)絡(luò)模型,并計(jì)算與復(fù)雜網(wǎng)絡(luò)相關(guān)的參數(shù),最后通過對(duì)所有網(wǎng)絡(luò)模型提取特征參數(shù),匯集形成識(shí)別參數(shù),產(chǎn)生圖像目標(biāo)識(shí)別算法用于對(duì)象目標(biāo)的識(shí)別和分類。2.基于復(fù)雜網(wǎng)絡(luò)圖像建模下所提取的特征參數(shù)大都是統(tǒng)計(jì)特征,而這種特征不僅具有很好的穩(wěn)定性,而且具備較強(qiáng)的抗噪聲能力。鑒于這一點(diǎn),本章提出一種有向復(fù)雜網(wǎng)絡(luò)表示模型,利用K近鄰(K-Nearest Neighbor,KNN)方法給出了一種有向復(fù)雜網(wǎng)絡(luò)的演化方式,最終通過提取不同演化時(shí)刻下的有向復(fù)雜網(wǎng)絡(luò)特征完成對(duì)圖像的特征描述,實(shí)現(xiàn)圖像的識(shí)別。3.全局直方圖失去了特征的空間分布信息,鑒于這一點(diǎn),本文將直方圖信息與傳統(tǒng)的圖結(jié)構(gòu)信息加以融合,這里提出一種基于節(jié)點(diǎn)屬性(節(jié)點(diǎn)灰度值)的演化方式,生成一系列子網(wǎng)絡(luò),稱這些子網(wǎng)絡(luò)為節(jié)點(diǎn)加權(quán)屬性網(wǎng)絡(luò),對(duì)這些子網(wǎng)絡(luò)進(jìn)行特征描述以實(shí)現(xiàn)圖像的識(shí)別。
【關(guān)鍵詞】：復(fù)雜網(wǎng)絡(luò) 圖像輪廓 數(shù)學(xué)建模 KNN特征提取
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;O157.5
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 第1章 緒論7-11
• 1.1 本文的研究背景與意義7-8
• 1.2 本文中圖像描述方法的研究與發(fā)展8-9
• 1.3 復(fù)雜網(wǎng)絡(luò)下的圖像建模9
• 1.4 本文的主要研究?jī)?nèi)容9-11
• 第2章 復(fù)雜網(wǎng)絡(luò)的基本概念與理論11-15
• 2.1 復(fù)雜網(wǎng)絡(luò)概述11-12
• 2.2 復(fù)雜網(wǎng)絡(luò)基礎(chǔ)理論12
• 2.3 復(fù)雜網(wǎng)絡(luò)基本參數(shù)12-14
• 2.3.1 度特征12-13
• 2.3.2 聚類特征13-14
• 2.3.3 復(fù)雜網(wǎng)絡(luò)的動(dòng)態(tài)演化14
• 2.4 復(fù)雜網(wǎng)絡(luò)圖像建模14
• 2.5 本章小結(jié)14-15
• 第3章 基于復(fù)雜網(wǎng)絡(luò)的圖像形狀輪廓識(shí)別方法15-26
• 3.1 輪廓的基本介紹15-16
• 3.2 基于復(fù)雜網(wǎng)絡(luò)的目標(biāo)識(shí)別方法研究現(xiàn)狀16-17
• 3.3 基于復(fù)雜網(wǎng)絡(luò)的圖像形狀輪廓識(shí)別方法17-23
• 3.3.1 圖像形狀輪廓的復(fù)雜網(wǎng)絡(luò)建模18-20
• 3.3.2 網(wǎng)絡(luò)模型動(dòng)態(tài)演化20-22
• 3.3.3 識(shí)別參數(shù)提取方法22-23
• 3.3.4 形狀識(shí)別23
• 3.4 閾值參數(shù)確定方法23-25
• 3.5 本章小結(jié)25-26
• 第4章 基于有向復(fù)雜網(wǎng)絡(luò)模型的圖像特征提取方法26-36
• 4.1 KNN演化模型26
• 4.2 圖像描述與特征提取26-28
• 4.2.1 圖像的有向復(fù)雜網(wǎng)絡(luò)表示26-27
• 4.2.2 復(fù)雜網(wǎng)絡(luò)的特征提取27-28
• 4.3 算法流程28
• 4.4 實(shí)驗(yàn)與分析28-35
• 4.4.1 圖像聚類實(shí)驗(yàn)29-33
• 4.4.2 圖像檢索實(shí)驗(yàn)33-35
• 4.5 本章總結(jié)35-36
• 第5章 基于節(jié)點(diǎn)加權(quán)復(fù)雜網(wǎng)絡(luò)模型的圖像結(jié)構(gòu)特征提取方法36-48
• 5.1 節(jié)點(diǎn)加權(quán)屬性網(wǎng)絡(luò)36-37
• 5.2 圖像描述與特征提取37-38
• 5.2.1 圖像的復(fù)雜網(wǎng)絡(luò)表示37-38
• 5.2.2 復(fù)雜網(wǎng)絡(luò)的特征提取38
• 5.3 算法流程38-39
• 5.4 實(shí)驗(yàn)與分析39-46
• 5.4.1 圖像分類實(shí)驗(yàn)40-42
• 5.4.2 圖像聚類實(shí)驗(yàn)42-45
• 5.4.3 參數(shù)分析45-46
• 5.5 本章小結(jié)46-48
• 第6章 總結(jié)與展望48-50
• 6.1 工作總結(jié)48
• 6.2 進(jìn)一步的工作48-50
• 參考文獻(xiàn)50-53
• 攻讀學(xué)位期間取得的研究成果53-54
• 致謝54-55

，

本文編號(hào)：732509