資源描述：
《基于矩特征提取的圖像識(shí)別算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、太原理工大學(xué)碩士研究生學(xué)位論文基于矩特征提取的圖像識(shí)別算法研究摘要圖像識(shí)別是近20年發(fā)展起來(lái)的一門模式識(shí)別技術(shù)，可將人的視覺(jué)認(rèn)知和理解過(guò)程用現(xiàn)代信息處理技術(shù)和計(jì)算機(jī)技術(shù)來(lái)完成，它以研究根據(jù)提取圖像的特征進(jìn)行識(shí)別和分類為主要內(nèi)容，廣泛應(yīng)用于文字識(shí)別、指紋識(shí)別、遙感、醫(yī)學(xué)診斷、工業(yè)產(chǎn)品檢測(cè)、衛(wèi)星航空?qǐng)D片解釋等領(lǐng)域。提取圖像特征時(shí)，為使目標(biāo)圖像具有平移、旋轉(zhuǎn)和比例不變性，可根據(jù)矩算法提取不變矩特征,包括Hu矩、Zernike矩和小波矩。Hu矩和Zernike矩都是在整個(gè)圖像空間中計(jì)算，得到的是圖像全局特征，容易受到噪
2、聲干擾。尤其當(dāng)可用樣本的數(shù)量較少時(shí)，選擇最能表示圖像的特征就顯得非常重要。基于小波變換的小波矩能同時(shí)得到圖像的全局特征和局部特征，更適合識(shí)別相似形狀或者有噪聲干擾的目標(biāo)圖像。在模式分類方面，可采用BP神經(jīng)網(wǎng)絡(luò)，但BP網(wǎng)絡(luò)具有容易陷入局部極小點(diǎn)、收斂速度慢、識(shí)別率波動(dòng)幅度較大等缺點(diǎn)；小波神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)BP網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)，解決了BP網(wǎng)絡(luò)的收斂速度緩慢等問(wèn)題，卻具有初始化參數(shù)過(guò)程復(fù)雜、多維輸入情況下計(jì)算量劇增等缺點(diǎn)。支持向量機(jī)（SupportVectorMachine--SVM）是建立在統(tǒng)計(jì)學(xué)理論的VC維理論和結(jié)構(gòu)風(fēng)
3、險(xiǎn)最小化原理基礎(chǔ)上的一門新興學(xué)科，能較好解決局部極小點(diǎn)、高維數(shù)、非線性等實(shí)際問(wèn)題?；诮y(tǒng)計(jì)的圖像識(shí)別方法（如模板匹配）只有在樣本足夠大時(shí)，性能才有保證。實(shí)際中有時(shí)難以提供大量樣本，這樣就可能因信息量不足而導(dǎo)致識(shí)別準(zhǔn)確率和推廣能力下降；神經(jīng)網(wǎng)絡(luò)作為分類算法時(shí)推廣能力十分有限。為此本文提出一種小波矩結(jié)合支持向量機(jī)的目標(biāo)識(shí)別算法，這種算法立足尋找現(xiàn)有樣本信息下的最優(yōu)解，適合分析小樣本。I太原理工大學(xué)碩士研究生學(xué)位論文為驗(yàn)證該算法的有效性，本文仿真實(shí)驗(yàn)是在計(jì)算機(jī)平臺(tái)WindowsVista操作系統(tǒng)和MATLAB7.8.
4、0的環(huán)境下進(jìn)行，將五類坦克，每類3幅，一共15幅坦克標(biāo)準(zhǔn)二值坦克圖像為訓(xùn)練小樣本，對(duì)在無(wú)噪聲和有噪聲干擾兩種情況下的共300幅圖像進(jìn)行特征提取和分類識(shí)別，實(shí)驗(yàn)結(jié)果表明：在小樣本情況下，小波矩結(jié)合支持向量機(jī)的算法具有較好的識(shí)別性能。關(guān)鍵詞：矩特征，圖像識(shí)別，小樣本，BP神經(jīng)網(wǎng)絡(luò)，小波神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)II太原理工大學(xué)碩士研究生學(xué)位論文RESEARCHONIMAGERECOGNITIONBASEDONMOMENTFEATURESABSTRACTDuringtherecent20years,Imagerecogni
5、tionhasdevelopedtobeatechniqueofPatternRecognition,whichachieveshumanabilityofvisualcognitionandcomprehensionbymoderninformationprocessingandcomputertechnology.Imagerecognitionprincipallycompletesimagesclassificationaccordingtofeatureextraction,diffuselyappl
6、iedtokindsoffieldsincludingcharacterrecognition,fingerprintidentification,remotesensing,medicaldiagnosis,industrialproductstest,satellitephotosandaerialphotographsinterpretationandsoon.Asextractingimagefeatures,wemakeuseofinvariablemomentsconsistedofHu,Zerni
7、keandwaveletmomentstoachievetargetimages’features,whichpossessinvariabilityoftranslation,rotationandproportion.HuandZernikemomentsarecalculatedinwholeimage-spaceandgettheglobalcharacters,asaresulttheyaren’tclassifiedeasily.Especiallyundertheenvironmentoflimi
8、tedamountofsamples,it’smoreimportanttoselectthebestandmostexpressivefeature.Waveletmomentbasedonwavelettransformisabletoacquireimages’globalandpartialfeatureatonetimeandmorepropitioustorecognize
