图像分类识别方法研究.docVIP

图像分类识别方法研究 　　摘要：图像分类识别是用计算机对图像进行一系列操作来识别不同的图像，包括图像预处理、图像的分割、图像的特征提取，最后是图像的分类。图像分类识别方法多来源于模式识别，近年来随着计算机技术发展和分类算法提出，图像分类识别方法越来越多。该文分析的分类算法是在模式识别基础上进行图像分类识别，首先介绍图像分类识别国内外研究现状，然后分析几种分类识别算法的优点和缺陷，便于更好地深入研究图像的分类算法。 　　关键词：分类识别；模式识别；图像分类 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）32-7731-03 　　1 概述 　　图像分类识别根据图像的不同特征对图像进行分类，有相同特征的对象归为一类。图像分类识别方法随着数学算法的不断进步而不断发展。目前，图像分类识别的主要方法主要有六种：模糊集识别、统计识别、神经网络识别、结构识别、模版匹配和支持向量机。这几种方法各有优缺点，根据具体情况来具体分析和应用，也可以多种方法相结合使用。 　　图像分类识别系统包括几个步奏[1]，如图 1所示，一是获取原图像的信息，二是对图像预处理，三是图像分割，四是图像特征提取，五是图像分类识别。 　　1） 统计识别法 　　统计识别的理论基础是数学的决策理论，在决策理论基础上建立统计识别模型，统计识别模型对要分类的图像进行统计分析，统计出图像的各类特征，找出准确反映图像类别的特征，最后进行分类。其主要的技术有聚类分析法、统计法、KNN等。但是，统计识别法不能识别图像空间相互关系（即结构关系）。如要分类图像的结构特征是主要特征，用统计识别就不能识别图像。 　　在进行分类时需要大量图像样本，先统计图像样本特征，设定图像识别的一系列参数（即统计学习）。 　　统计识别法流程如图2[1]，输入的图像信息是原始图片；图像处理是对样本图像滤波、分割和特征提取；最后是图像分类，输出结果。 　　2） 结构识别法 　　结构识别法即是句法识别，是对统计识别法不能识别图像结构特征的补充，因为统计算法不能统计图像的结构信息，只能统计图像的数字特征。结构识别法用符号表现图像的特征。结构识别采用的结构是层次结构，把复杂图像分解成单子图像，而子图像又可以分解为更简单的子模式，一直分解下去，直到分解为最简单的子模式，即模式基元。通过对模式基元的识别，进而识别子模式，最终识别该复杂的模式。结构识别法流程如图3所示。 　　3） 神经网络法 　　神经网络法是通过我们学习的神经网络算法对图像进行分类。神经网络方法与统计识别方法在很多方面是有联系的，都利用样本数据完成图像的分类识别，并且在有的算法上还可以看作是一定的等价关系。神经网络算法的结构由一个输入层、若干个中间隐含层和一个输出层组成。神经网络法通过学习，能够从原始图像的复杂数据中找到相识的图像特征，对图像进行正确的分类。神经网络法克服了统计识别算法过程中的复杂性，以及模型选择的一些困难，是一种非线性建模过程，不需要分清图像中存在的非线性关系，给图像分类带来的极大方便。 　　神经网络算法有不同的网络结构，所以构造神经网络时首先要选择合适的网络结构。神经网法图像分类时首先要输入图像的文理特征和结构特征等一系类参数；中间经过图像的预处理和特征提取，最后输出的是图像类别。神经网络分类识别的流程图如图4所示。 　　4） 模糊集识别法 　　模糊集识别法在模式识别、医学图像识别，车牌识别等方面的应用比较广泛。在图像分类时，有一些图像的特征不是很明显，不能准确的确定图像属于哪一类别时，模糊集识别法能很好地解决这一问题。先模糊地对图像进行判别，这时图像可能属于两个或多个类别，等到再找到另外的特征时再进行精确的判别。模糊数学是模糊集识别法的理论基础，模糊数学在判别事物时一般不是准确的去判断这事物到底属于什么，而是用不太精确的方式来判别事物，用更适合人的思维方式去判别。 　　模糊集识别法是在模式识别方法的基础上采用模糊逻辑的方法。在图像分类时，采用模糊理论对图像特征模糊化和模糊分类。 　　模糊集识别法根据一定的模糊化规则将图像的纹理或形状等特征分成多个模糊变量，虽然每个模糊变量不能准确的判别图像，只能判断原图像的一部分特征，但是这能更进一步地判别图像。我们用先前判别出的部分特征去替代原来的特征再进行图像判别，这样我们又能精确的判别图像类别。虽然模糊集识别法识别时图像的特征变多了，但是却使得判别更加，也使分类器设计趋于简单。 　　5） 支持向量机 　　支持向量机（SVM）是一种新的人工智能学习算法，现在已经成为模式识别领域新的研究热点[3] 。支持向量机有学习效率高、抗噪声性能强和推广性好等优点。支持向量机是在原先统计学习理论的基础上，解决传统统计学习理论不能解