資源描述：
《圖像的分割與降維方法研究》由會員上傳分享，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。
1、圖像的分割與降維方法研究作者姓名王馳學(xué)校導(dǎo)師姓名、職稱公茂果教授領(lǐng)域電子與通信工程企業(yè)導(dǎo)師姓名、職稱岳博副研究員申請學(xué)位類別工程碩士提交學(xué)位論文日期2014年11月學(xué)校代碼10701學(xué)號1202121310分類TN82號TP75密級公開西安電子科技大學(xué)碩士學(xué)位論文圖像的分割與降維方法研究作者姓名：王馳領(lǐng)域：電子與通信工程學(xué)位類別：工程碩士學(xué)校導(dǎo)師姓名、職稱：公茂果教授企業(yè)導(dǎo)師姓名、職稱：岳博副研究員提交日期：2014年11月AResearchonImageSegmentationandDimensionali
2、tyReductionAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationEngineeringByWangChiSupervisor:GongMaoguoYueBoNovember2014西安電子科技大學(xué)學(xué)位論文獨(dú)創(chuàng)性（或創(chuàng)新性）聲明秉承學(xué)校嚴(yán)謹(jǐn)?shù)膶W(xué)風(fēng)和優(yōu)良的科學(xué)道德，本人聲明所呈交的論文是我個人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作
3、及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得西安電子科技大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。學(xué)位論文若有不實(shí)之處，本人承擔(dān)一切法律責(zé)任。本人簽名：日期：西安電子科技大學(xué)關(guān)于論文使用授權(quán)的說明本人完全了解西安電子科技大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬于西安電子科技大學(xué)。學(xué)校有權(quán)保留送交
4、論文的復(fù)印件，允許查閱、借閱論文；學(xué)校可以公布論文的全部或部分內(nèi)容，允許采用影印、縮印或其它復(fù)制手段保存論文。同時本人保證，獲得學(xué)位后結(jié)合學(xué)位論文研究成果撰寫的文章，署名單位為西安電子科技大學(xué)。保密的學(xué)位論文在年解密后適用本授權(quán)書。本人簽名：導(dǎo)師簽名：日期：日期：摘要摘要本文在結(jié)構(gòu)上主要分為三個部分，第一個部分主要研究基于模糊聚類的圖像分割問題。第二個部分研究的是如何將高維的高光譜數(shù)據(jù)降維到低維空間，便于進(jìn)一步處理。第三個部分對第二部分提出的算法進(jìn)行深入的探討，主要是關(guān)于不同數(shù)據(jù)場景下該算法的距離測度選擇問題
5、。下面說明一下各個部分的工作。在第一個部分，提出了一種新的基于馬爾可夫隨機(jī)場和模糊聚類的圖像分割算法。提出的基于馬爾可夫隨機(jī)場（MRF）的正則模型，對圖像中的噪聲進(jìn)行了很好的抑制。提出的算法采用了一種新的能量函數(shù)來同時利用距離和鄰域信息。在提出的能量函數(shù)中，我們使用了賦權(quán)距離來反映鄰域像素對中心像素的不同影響。通過這種新的能量函數(shù)，提出的算法在噪聲污染的圖像中能夠得到更高的分割精度。實(shí)驗(yàn)結(jié)果顯示在真實(shí)和合成圖像上，提出的算法都能得到很好的結(jié)果。我們的工作同時展示了如何通過設(shè)計(jì)能量函數(shù)來對鄰域信息進(jìn)行更加有效的
6、應(yīng)用。在第二個部分，研究了如何通過列向量選擇的方法對大規(guī)模矩陣進(jìn)行降維。我們選取高光譜圖像這樣一種特殊的大規(guī)模矩陣作為我們的實(shí)驗(yàn)數(shù)據(jù)，提出了一種有效減少數(shù)據(jù)維數(shù)并盡量保留有用信息的降維算法。該算法的獨(dú)特之處在于采用了列向量選取的方法來對高光譜波段選擇問題進(jìn)行建模。在具體的求解中，依照最大化已經(jīng)選取列向量所構(gòu)成單純形體積最大為原則選擇列向量。在對數(shù)據(jù)的處理過程中，我們采用了曼哈頓距離作為高維數(shù)據(jù)的相似性度量，得到了比使用歐幾里得距離更好的效果。在實(shí)驗(yàn)中，用得到的算法對高光譜圖像進(jìn)行降維處理，并對降維過的高光譜圖
7、像進(jìn)行地物分類，得到的精度總體上超過了現(xiàn)有的方法，并獨(dú)有對噪聲的魯棒性，即無需去掉高光譜圖像的原始數(shù)據(jù)的低信噪比波段。在第三個部分，在上一部分提出的降維方法的基礎(chǔ)上，根據(jù)高維學(xué)習(xí)對距離測度的敏感性，我們就列向量選取算法中不同距離測度的選擇在不同數(shù)據(jù)集上的情況分別進(jìn)行了的分析。我們還分析了列向量選取方法和一類矩陣分解方法：CUR分解的關(guān)系。我們對CUR分解的幾種算法進(jìn)行了評估，并與改進(jìn)距離測度的列向量選取方法進(jìn)行了對比。實(shí)驗(yàn)結(jié)果顯示，使用不同的距離測度能夠反映不同類型高維數(shù)據(jù)，并且，相對于對比算法，在合理調(diào)整距
8、離測度的情況下有更好的降維結(jié)果。具體來講，在數(shù)據(jù)矩陣比較小或者選擇的向量比例比較低時，采用曼哈頓測度的BCS算法有很高的重建精度。但是在數(shù)據(jù)矩陣所選擇的維數(shù)較為巨大（幾十萬維或更多），或者選擇的向量比例比較高時，采用較高的測度有助于I西安電子科技大學(xué)碩士學(xué)位論文算法達(dá)到設(shè)計(jì)的精度。關(guān)鍵詞：模糊聚類，F(xiàn)CM，圖像分割，高光譜降維，矩陣分解論文類型：應(yīng)用基礎(chǔ)研究類IIABSTRACTABSTRACTIn
