纹理图像自动分类算法研究

《纹理图像自动分类算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、天津大学硕士学位论文纹理图像自动分类算法研究ResearchonTextureImageAutomaticClassificationAlgorithms学科专业：信息与通信工程研究生：吴春芳指导教师：何凯副教授天津大学电子信息工程学院二零一五年十一月摘要纹理分类是计算机视觉和模式识别领域的一个重要研究内容，其中，纹理特征提取，以及如何构建一种快速稳定的分类器是算法的关键，本文重点对后者进行研究。传统的纹理分类器主要包括K-均值聚类，支持向量机，以及人工神经网络等，这些分类器普遍存在着正确率低、计算量大和缺乏理论支持等缺点。极端学习机（ELM）

2、是一种新型单隐层前馈神经网络；与传统分类器不同，ELM是随机选择网络中的隐层神经元，其网络的输出层权值可以通过解析方法获得，具有学习速度快、泛化能力好等诸多优点。在目前相对成熟的几种特征提取方法的基础上，论文对目前几种较好的分类器进行了重点分析和研究，主要内容包括：（1）研究了极端学习机在纹理分类应用中存在的优势。该方法具有学习速度快、泛化能力好等优点。本文分别基于小波包分解、灰度共生矩阵、灰度梯度共生矩阵、统计几何特征、Gabor小波和双树复小波等方法进行纹理特征提取，利用ELM作为分类器进行训练学习，实现了纹理图像的自动分类。（2）提出一种

3、基于遗传学的纹理分类的改进算法。蚁群算法是一种随机搜索算法，具有全局最优、可并行运算、鲁棒性强等特点。本文提出将蚁群算法与极端学习机相结合，将网络中的随机参数试做蚂蚁，则蚂蚁觅食过程的路径可视为参数寻优过程；根据每次路径上的信息素，可获得下一步路径，通过不断的更新信息素，最终可以获得一条最短路径，即达到参数最优。仿真实验结果表明，利用该方法可以获得更高的纹理分类效果。（3）传统的基于极端学习机（ELM）的纹理分类方法容易出现输出不稳定的情况，针对这一缺点，本文对传统动力学模型进行了改进，利用线性吸引子和局部吸引子的迭代来实现多个ELM分类器的最

4、佳融合，以提升学习模型的泛化能力和稳定性。仿真实验结果表明，利用此方法对纹理图像进行分类，稳定性得到了明显改善，同时，分类的准确率也得到了一定程度的提升，取得了比较理想的分类效果。关键词：纹理分类；特征提取；极端学习机（ELM）；蚁群算法；动力学模型ABSTRACTTextureclassificationisanimportantresearchtopicinthefieldofcomputervisionandpatternrecognition.Itskeypointishowtoextractasuitabletexturecharac

5、tervectorandconstructafastandstableclassifier.Thisthesisfocusesonthelater.Thetraditionalclassifier,suchasK-meansclustering,supportvectormachinesandartificialneuralnetworks,alwayshavesomedisadvantageslikelowaccuracy,highcomputationalefficiencyandthelackoftheoreticalsupport.As

6、anewtypeofsingle-hidden-layerfeed-forwardneuralnetworks(SLFNs),Extremelearningmachine(ELM)randomlychoosestheinputweights,analyticallydeterminestheoutputweightsofSLFNs.Differentfromthetraditionalclassifiers,ELMtendstoprovidethebestgeneralizationperformanceatextremelyfastlearn

7、ingspeed.Basedonseveralmaturefeatureextractionalgorithms,thisthesisanalyzesandstudiesseveraltextureclassifiersindetail.Themaincontentsandcontributionsareasfollows:(1)Theadvantagesofextremelearningmachineintheapplicationoftextureclassificationarestudied.Thismethodtendstoprovi

8、dethebestgeneralizationperformanceatextremelyfastlearningspeed.Basedonsever