局部像素特征

基于局部像素特征報告人：黃亞玲學(xué)號：2014200573圖像分割基本知識孿生支持向量機（TSVM）簡介極坐標(biāo)負(fù)指數(shù)變換（PCET）簡介基于局部像素特征分類的圖像分割方法目錄1234主要介紹一下圖像分割的基本概念，簡單闡述幾種圖像分割的方法第章1圖像分割圖像分割是把圖像中互不相干，具有特殊意義的區(qū)域區(qū)分出來。每個區(qū)域的像素滿足一定的一致性，比如灰度值相近或紋理特征相似。圖像分割是圖像分析的關(guān)鍵步驟，是一種低層次的計算機視覺技術(shù)，計算機視覺中的理解包括目標(biāo)檢測，特征提取和模式識別等等，這些都依賴于圖像分割的質(zhì)量。因此，圖像分割成為數(shù)字圖像處理領(lǐng)域的熱門話題，備受青睞。圖像分割方法閾值分割法一般不考慮空間特征，從而導(dǎo)致對噪聲敏感。區(qū)域分割法遇到復(fù)雜多變的自然圖像時，分割的結(jié)果容易產(chǎn)生虛假的目標(biāo)區(qū)域，并且捕獲的邊區(qū)域不夠光滑。邊分割法對于邊緣復(fù)雜，采光不均勻的圖像來說效果不明顯，表現(xiàn)在邊緣模糊，弱邊緣丟失和邊緣不連續(xù)?；谥狈綀D閾值的分割方法基于模糊聚類的圖像分割方法基于邊的圖像分割方法基于區(qū)域的圖像分割方法模糊聚類分割法類別數(shù)難以確定，算法對初始值敏感，易于陷入局部極值

介紹孿生支持向量機（TwinSupportVestorMachine，TSVM）理論。第章2孿生支持向量機（TSVM）簡介

與傳統(tǒng)支持向量不同（SVM），TSVM尋求兩個非平行的最優(yōu)分類面，使得每個分類面靠近一類樣本而遠離另一類樣本。TSVM適合于交叉分類面的數(shù)據(jù)集的分類，且求解兩個相對更小的二次規(guī)劃問題，這就使得TSVM速度明顯快于傳統(tǒng)標(biāo)準(zhǔn)的支持向量機。在GEPSVM的啟發(fā)下Jayadeva于2007年提出了孿生支持向量機理論。孿生支持向量機（TSVM）簡介

TSVM在n維空間使用兩個非平行超平面，為了獲得超平面參數(shù)，我們可以通過求解以下優(yōu)化問題：其中，c1,c2為懲罰因子，e1,e2為列向量，它們的元素全部為1。TSVM1和TSVM2的目標(biāo)函數(shù)對本類樣本與對應(yīng)超平面的距離使用平方度量，因此在最小化時可以保證樣本與對應(yīng)超平面距離盡可能近。簡單介紹極坐標(biāo)負(fù)指數(shù)變換（PCET）方法。第章3極坐標(biāo)負(fù)指數(shù)變換（PCET）核函數(shù)形式簡單，數(shù)值計算穩(wěn)定描述能力強，噪聲敏感度低一種優(yōu)秀的正交矩變換方法系數(shù)幅值旋轉(zhuǎn)不變極坐標(biāo)負(fù)指數(shù)變換（PCET）介紹一種穩(wěn)定的鄰域低階的PHT幅值作為圖像像素特征的方法。對于連續(xù)圖像f(r,θ)而言，階度為n，重復(fù)度為l，且|n|=|l|=0,1....∞的PCET定義為：

根據(jù)正交完整函數(shù)系理論，圖像可以用無限的正交函數(shù)序列重建，使用有限數(shù)目的PCET系數(shù)可以近似重建原圖像函數(shù)f(r,θ)，并且所用項數(shù)越多，其近似程度越高。若已知圖像最高階，最大重復(fù)度的指數(shù)矩，由其完備性和正交性，可得原始圖像的重構(gòu)公式：

以孿生支持向量機為基礎(chǔ)，提出了基于局部像素特征分類的圖像割方法。第章401020304基于局部像素特征分類的圖像分割步驟選擇空間顏色：使用CELT*a*b表示色彩對象，使用亮度分量L*提取圖像像素特征。構(gòu)造局部圖像窗口：理論上說，可以選擇任意形狀的局部圖像窗口像素特征提取：對局部圖像窗口進行PCET，并選取部分低階PCET系數(shù)幅值作為圖像像素級特征TSVM訓(xùn)練樣本選擇：利用二維指數(shù)熵閾值選擇訓(xùn)練樣本

以孿生支持向量機為基礎(chǔ)，提出了基于局部像素特征分類的圖像割方法?；诰植肯袼靥卣鞣诸惖膱D像分割步驟基于局部像素特征分類的圖像分割步驟0506TSVM模型訓(xùn)練：利用上面的步驟得到的訓(xùn)練樣本，訓(xùn)練出TSVM分類模型。TSVM像素分類：根據(jù)訓(xùn)練好的TSVM分類模型預(yù)測余下像素所屬的類，并結(jié)合訓(xùn)練集和測試集獲得最終的分類結(jié)果?？偨Y(jié)我們主要介紹一種以孿生向量機（TSVM）和極坐標(biāo)負(fù)指數(shù)變換（PCET）為理論基礎(chǔ)，局部像素特殊分類的圖像分割算法。這個算法具有很