局部像素特征技术分析.pptVIP

报告人：黄亚玲 学号：2014200573 图像分割基本知识 孪生支持向量机（TSVM）简介 极坐标负指数变换（PCET）简介 基于局部像素特征分类的图像分割方法 目录 1 2 3 4 主要介绍一下图像分割的基本概念，简单阐述几种图像分割的方法 第 章 图像分割 图像分割是把图像中互不相干，具有特殊意义的区域区分出来。每个区域的像素满足一定的一致性，比如灰度值相近或纹理特征相似。图像分割是图像分析的关键步骤，是一种低层次的计算机视觉技术，计算机视觉中的理解包括目标检测，特征提取和模式识别等等，这些都依赖于图像分割的质量。因此，图像分割成为数字图像处理领域的热门话题，备受青睐。 图像分割方法 阈值分割法一般不考虑空间特征，从而导致对噪声敏感。 区域分割法遇到复杂多变的自然图像时，分割的结果容易产生虚假的目标区域，并且捕获的边区域不够光滑。 边分割法对于边缘复杂，采光不均匀的图像来说效果不明显，表现在边缘模糊，弱边缘丢失和边缘不连续。 基于直方图阈值的分割方法 基于模糊聚类的图像分割方法 基于边的图像分割方法 基于区域的图像分割方法 模糊聚类分割法类别数难以确定，算法对初始值敏感，易于陷入局部极值 介绍孪生支持向量机（Twin Support Vestor Machine， TSVM）理论。 第 章 孪生支持向量机（TSVM）简介 与传统支持向量不同（SVM），TSVM寻求两个非平行的最优分类面，使得每个分类面靠近一类样本而远离另一类样本。TSVM适合于交叉分类面的数据集的分类，且求解两个相对更小的二次规划问题，这就使得TSVM速度明显快于传统标准的支持向量机。 在GEPSVM的启发下Jayadeva于2007年提出了孪生支持向量机理论。 孪生支持向量机（TSVM）简介 TSVM在n维空间使用两个非平行超平面，为了获得超平面参数，我们可以通过求解以下优化问题： 其中，c1,c2为惩罚因子，e1,e2为列向量，它们的元素全部为1。TSVM1和TSVM2的目标函数对本类样本与对应超平面的距离使用平方度量，因此在最小化时可以保证样本与对应超平面距离尽可能近。 简单介绍极坐标负指数变换（PCET）方法。 第 章 极坐标负指数变换（PCET） 核函数形式简单，数值计算稳定 描述能力强，噪声敏感度低 一种优秀的正交矩变换方法 系数幅值旋转不变 极坐标负指数变换（PCET） 介绍一种稳定的邻域低阶的PHT幅值作为图像像素特征的方法。对于连续图像f(r,θ)而言，阶度为n，重复度为l，且|n|=|l|=0,1....∞的PCET定义为： 根据正交完整函数系理论，图像可以用无限的正交函数序列重建，使用有限数目的PCET系数可以近似重建原图像函数f(r,θ)，并且所用项数越多，其近似程度越高。若已知图像最高阶 ，最大重复度 的指数矩，由其完备性和正交性，可得原始图像的重构公式： 以孪生支持向量机为基础，提出了基于局部像素特征分类的图像割方法。 第 章 01 02 03 04 基于局部像素特征分类的图像分割步骤 选择空间颜色：使用CELT*a*b表示色彩对象，使用亮度分量L*提取图像像素特征。 构造局部图像窗口：理论上说，可以选择任意形状的局部图像窗口 像素特征提取：对局部图像窗口进行PCET，并选取部分低阶PCET系数幅值作为图像像素级特征 TSVM训练样本选择：利用二维指数熵阈值选择训练样本 以孪生支持向量机为基础，提出了基于局部像素特征分类的图像割方法。 基于局部像素特征分类的图像分割步骤 基于局部像素特征分类的图像分割步骤 05 06 TSVM模型训练：利用上面的步骤得到的训练样本，训练出TSVM分类模型。 TSVM像素分类：根据训练好的TSVM分类模型预测余下像素所属的类，并结合训练集和测试集获得最终的分类结果。 总结 我们主要介绍一种以孪生向量机（TSVM）和极坐标负指数变换（PCET）为理论基础，局部像素特殊分类的图像分割算法。这个算法具有很好的图像内容适应性，具有突出目标特征和适应复杂背景的能力，更容易获得最佳分割效果。运用此算法进行图像分割能更好的符合人类视觉感受，所以具有较为广阔的应用前景。