基于可视化特征提取感知纹理分类-计算机软件与理论专业论文.docxVIP

基于可视化特征提取的感知纹理分类技术独创声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研 究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含未获得(注：如没有其他需要特别声明的，本栏可空)或其他教育机构的学位或证书使用 过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确 的说明并表示谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，有权保留并 向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人 授权学校可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用 影印、缩印或扫描等复制手段保存、汇编学位论文。同时授权中国科学技术信息 研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众 提供信息服务。(保密的学位论文在解密后适用本授权书)学位论文作者签名：导师签字：签字日期：年月日签字日期：年月日基于可视化特征提取的感知纹理分类技术摘要感知纹理在计算机视觉，模式识别等领域是重要的研究课题，不论是在互联 网传输领域还是人们实际生活中都有着重要的意义。本文通过对感知纹理分类实 验结果的分析，探寻纹理中某些看得见的纹理块，以及这些纹理块和感知纹理分 类之间的联系。从特征提取入手，通过对大量纹理块的聚类分析，优化，以及纹 理分类实验，最终得出了描述纹理的可视化特征块。目前基于可视化特征块的纹理描述是一个热门研究方向，其中大多数工作都 是在监督模式下进行的，很多工作是提取非常小的纹理块信息，难以表现详细的 可视化特征。本文是在无监督模式下提取的特征块，其中特征块的大小是80*80， 提取纹理中有区分性的特征块，包含丰富的视觉信息，并且探寻这些特征块和感 知纹理分类的关系，通过得到的可视化纹理块进行感知纹理分类实验。特征块提取过程中，本文对传统的K-means聚类算法进行了大量的改进，提出 了一种改进的K-means聚类优化算法。传统的K-means聚类算法在对大量纹理块进 行聚类的时候，通过不断的迭代来改进聚类的中心，这样得到的聚类包含大量重 复性的信息，效率不高。本文提出一种基于SVM（支持向量机）的迭代训练方法， 舍弃那些区分性较差的聚类，重新包含有区分性的新聚类，直到新聚类接近收敛 为止。然后，把聚类分析得到的纹理块信息应用于感知纹理分类实验中，与传统 的纹理分类实验相比较，通过感知纹理分类实验进一步验证本文得到的纹理块。关键字：特征提取；聚类分析；聚类优化；感知纹理分类PerceptionalTextureClassificationTechnologyBasedonVisualPatchesExtractionAbstractPerceptionaltextureisaveryimportantresearchtopicincomputervisionand patternrecognition.Inthisthesis,weanalyzedperceptualtextureclassificationand concludedthattexturescontainsomevisible“features”thathumansmayusefor perceptualclassification.Tofindvisiblefeaturepatches,westartedwithfeature extractionandclusteringanalysis.Optimizationalgorithmandclassifiers were usedto obtainvisual patches for describingvisual texturefeatures.Mosttexture descriptionsareundersupervision,toonarrowtoshowthedetailsof visualfeatures.However,weextractedtexturepatchesthatcontainabundantvisual information underunsupervised learning. Thedistinctivepatcheswereusedto explore the relationship betweenfeaturepatches andperceptual textureclassification.Forfeatureextraction,weproposedanoptimizedK-meansclusteringalgorithm usingSVM(support