图像特征提取算法研究及应用.pdf

《图像特征提取算法研究及应用.pdf》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、．；；＾＇巧呼；響．蜀户＾：￥蠢＾．Ｉ７痛謹若躬祭＃＂＾肇４＾．：爆．＾％Ｍ＿；擇壽＾骄：讓礙、＾補答．、．：遣、、；．誘；东農違續＊講；．刊ｔ：－术ｉＷｆ位；：的＾＾該ｍ４’．取＂．．畔卿讀Ｖ濟接蔡萨：．＾祗｜拿篆義＾兩３＾＾＾．立隻多综：．；：＾‘；：‘：變如囊＾氣義註£義喊，義禱兴崖追．左廊典雾每心＃导屬寺＂臟Ｆｉ＇Ｓ．．．＇；．．－１ｔ讓．．＾４色船ｌ齡＼，暴＜少；雌＾．．吟户ｒ４：；無，二４論壤，＾蛋為Ｊｒ譽揖Ｉ％：巧一＾：ｉ龜ｉ：芙＾＾龄ｌ＼＾＾Ｖ＃

2、焉Ｋ讓＾ＲｅｓｅａｒｃｈａｎｄＡｐｐｌｉｃａ村ｏｎｏｎＩｍａｇｅＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎＡｌｏｒｉｔｈｍｇｂｙＹｉｕｎＷａｎｊｇＵｎｄｅｒ化ｅＳｕｅｒｖｉｓｉｏｎｏｆｐＰｒｏｆｅｓｓｏｒＨｕａｎｌｉａｎｇＸｕＡＤｉｓｓｅｒｔａｔｉｏｎＳｕｂｍｉｔｔｅｄｉｎＰａｒｔｉａｌＦｕｌｆｉｌｌｍｅｎｔｏｆｔｈｅＲｅｕｉｒｅｍｅｎｔｓｑＦｏｒｔｈｅＤｅｇｒｅｅｏｆＭａｓｔｅｒｏｆＳｃｉｅｎｃｅｉ

3、ｎＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｕｔｅｒＳｃｉｅｎｃｅｐＣｏｌｌｅｅｏｆＣｏｍｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｐｇｙＮａｎｊｉｎｇＡｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｇｙＭａｙ．２０１５原创性声明笔者郑重声明：所呈交的学位论文，是笔者在导师的指导下，独立进行研究工作所取得的成果。除文中己经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，

4、均己在文中Ｗ明确方式标明。笔者完全意识到本声明的法律结果由笔者承担。学位论文作者儒亲笔签名年＾月＾）学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国。家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅笔者授权南京农业大学可Ｗ将本学位论文的全部或部分内容编入有关数据库进行检索，可Ｗ采用影印。、缩印或扫描等复制手段保存和汇编本学位论文保密□，在年解密后适用本授权书。本学位论文属于不保密Ｄ。＂＂（请在上方框

5、内打Ｖ）１＾学位论文作者儒亲笔；＞年ｔ月日）签名／户＼导师（需亲笔）签名：年月日ｊＪ目录摘要ＩＡＢＳＴＲＡＣＴＩｌｌ一第胃绪论１．１１１选题背景和研究意义１．２国内外硏究现状２１．２．１特征提取硏究现状２２５１．．２分类识别应用现状６１．３硏究内容和技术路线．３．１研究内容６１１．３．２技术路线６１４７．本文篇章结构第二章特征提取及分类识别关键技术９２１９．特征提取技术２．１．１

6、９２丄２纹理特征１０２丄３形状特征１４２２．分类器概述１７２．２．１随机森林分类器１７．２２．２Ａｄｓｔ分２０ａｂｏｏ类器２．２．３ＳＶＭ分类器２２２．３本章小结２８第Ｈ章特征提取的８链码算法硏究２９．３１边缘检测算子的选择巧１３．．１常用边缘检测算子２９．３１．２不同算子对链码的影响分析３１３．２８链基于对称码的图像外轮廓提取技术３２３．２．２传统８链码算法分析３３３．２．３８变换点及对称链

7、码算法３４图像特征提取算法研究及应用３．２．４变换点的判定法则巧３－２．５闽值设定及编码过程３６３．２．６仿真实验３８３４２．３基于可变向８链码的图像外轮巧提取技术３３１８链码的局限性４２．．对称３４．３．２可变向８链码的提出３３４４．３．３闽值设定及编码过程３３４４．．仿真实验５３４９．４多目标花朵图像的外轮廓提取技术３４．４．１判定条件９３５０．４．２仿真实验＂＂５０．．３．５类等高线

8、面积参数计算方法３．５．１改进的距离変换ＩＩ法５１＂＂３．５．２类等高线面积计算方法５８３．６本章小结朗１第四章级联式多分类器组合设计６４．１级联式多分类器的组合６１４．２级联组合分类器的应用实验６４４．２．１数据采集６４４．２．２特征选择扣４一６７．２．３局部数据归化４．２．４特征优化６７．８４２．５随机森林分类实验６４．２．６Ａｄａｂｏｏｓｔ分类实验６９４．２．７ＳＶＭ多分类