發(fā)布時(shí)間：2017-10-18 15:42

  本文關(guān)鍵詞：基于稀疏表示的圖像分類技術(shù)研究

  更多相關(guān)文章： 圖像分類 稀疏表示 感興趣區(qū)域 Gabor變換

【摘要】：隨著多媒體技術(shù)的發(fā)展及人們?nèi)粘Ｉ畹男枰?涌現(xiàn)出了大量的圖像,同時(shí)伴隨著圖像處理技術(shù)及計(jì)算機(jī)網(wǎng)絡(luò)的普及,圖像的傳播速度也在快速提高。面對(duì)龐大的圖像信息,如何對(duì)其進(jìn)行有效管理是目前面臨的重要問題,圖像分類技術(shù)是解決該問題的主要途徑。本文主要分析了基于稀疏表示的圖像分類的關(guān)鍵技術(shù),詳細(xì)工作體現(xiàn)在以下幾個(gè)方面:1.在分析圖像分類研究現(xiàn)狀及存在問題的基礎(chǔ)上,對(duì)稀疏表示理論進(jìn)行了研究。在分析圖像稀疏表示模型的基礎(chǔ)上,針對(duì)稀疏表示模型的兩個(gè)核心問題稀疏分解與字典構(gòu)造進(jìn)行了詳細(xì)討論,綜述了目前典型的稀疏分解方法與字典構(gòu)造方法。在此基礎(chǔ)上,總結(jié)了稀疏表示在圖像處理領(lǐng)域的應(yīng)用。2.在傳統(tǒng)的基于圖像全局特征的圖像分類框架的基礎(chǔ)上,介紹了一種新的圖像分類方法--基于感興趣區(qū)域與稀疏表示的圖像分類,首先,提取圖像的感興趣區(qū)域,并以此作為圖像特征,然后,利用一個(gè)經(jīng)典的稀疏表示分類方法--spg_lasso算法實(shí)現(xiàn)圖像分類,在Corel圖像庫上的實(shí)驗(yàn)結(jié)果證明了新方法的優(yōu)越性。3.提出了基于Gabor變換與稀疏表示的圖像分類方法,將訓(xùn)練圖像集進(jìn)行Gabor變換,歸一化處理后作為稀疏表示的初始化字典,然后將待測(cè)圖像描述為字典的線性組合,最后利用待測(cè)圖像的稀疏系數(shù)及重構(gòu)誤差實(shí)現(xiàn)圖像分類。在Corel圖像庫和兩個(gè)常用的紋理庫上的實(shí)驗(yàn)結(jié)果表明,所提出方法優(yōu)于傳統(tǒng)的分類方法。
【關(guān)鍵詞】：圖像分類 稀疏表示 感興趣區(qū)域 Gabor變換
【學(xué)位授予單位】：河南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-11
• 1 緒論11-15
• 1.1 研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-13
• 1.3 本文研究內(nèi)容及組織結(jié)構(gòu)13-15
• 1.3.1 論文主要研究內(nèi)容13-14
• 1.3.2 論文的組織結(jié)構(gòu)14-15
• 2 圖像分類關(guān)鍵技術(shù)15-27
• 2.1 概述15
• 2.2 圖像的內(nèi)容描述15-20
• 2.2.1 顏色特征16-17
• 2.2.2 紋理特征17
• 2.2.3 形狀特征17-19
• 2.2.4 感興趣區(qū)域特征19-20
• 2.3 分類算法20-24
• 2.4 圖像分類性能評(píng)價(jià)標(biāo)準(zhǔn)24-25
• 2.5 本章小結(jié)25-27
• 3 稀疏表示及其在圖像處理中的應(yīng)用27-37
• 3.1 稀疏表示模型的建立27-28
• 3.2 稀疏表示求解方法28-31
• 3.2.1 稀疏分解28-30
• 3.2.2 字典構(gòu)造30-31
• 3.3 基于稀疏表示的圖像分類31-33
• 3.3.1 分類過程31-32
• 3.3.2 分類原理32-33
• 3.4 稀疏表示理論應(yīng)用33-35
• 3.4.1 圖像去噪33
• 3.4.2 人臉識(shí)別33-34
• 3.4.3 目標(biāo)跟蹤34
• 3.4.4 圖像修復(fù)34
• 3.4.5 壓縮感知34-35
• 3.5 本章小結(jié)35-37
• 4 基于感興趣區(qū)域與稀疏表示的圖像分類37-53
• 4.1 概述37-38
• 4.2 感興趣區(qū)域提取38-42
• 4.2.1 IT方法38-39
• 4.2.2 GB方法39
• 4.2.3 FT方法39-40
• 4.2.4 SR方法40-41
• 4.2.5 HC方法41-42
• 4.2.6 RC方法42
• 4.3 圖像分類42-45
• 4.3.1 spg_lasso分類方法42-43
• 4.3.2 SparseLab_OMP分類方法43-45
• 4.3.3 分類過程45
• 4.4 實(shí)驗(yàn)結(jié)果與分析45-52
• 4.4.1 實(shí)驗(yàn)環(huán)境與圖像庫45-47
• 4.4.2 感興趣區(qū)域提取47-48
• 4.4.3 圖像分類48-52
• 4.5 本章小結(jié)52-53
• 5 基于Gabor變換與稀疏表示的圖像分類53-61
• 5.1 Gabor變換53-54
• 5.2 特征提取與分類54-56
• 5.2.1 特征描述54-55
• 5.2.2 參數(shù)選擇55-56
• 5.2.3 分類過程56
• 5.3 實(shí)驗(yàn)結(jié)果分析56-60
• 5.4 本章小結(jié)60-61
• 6 總結(jié)與展望61-63
• 6.1 總結(jié)61
• 6.2 展望61-63
• 參考文獻(xiàn)63-71
• 作者簡歷71-73
• 學(xué)位論文數(shù)據(jù)集73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營與云計(jì)算——第十八屆全國青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：1055801