文档介绍：多俚鞩蚤惫惫嚏莲帮攀罐≯穗一哆甍噜喜,飞逸蠢≯≯童蚕罐霪懋》心惕■。翻∥穸舳覩:.甒臣一—
争≮.疆▲量■叮琲■甼鯥觯
粗糙集在纹理图像分类中的应用研究摘要谖评硗枷竦奶卣魈崛〗锥危疚牟捎肎滤波器和灰度共生矩阵粗糙集理论用于对数据表的分类分析处理,粗糙集分析直接从现有数据的上下近似入手,已被成功地应用在生物信息学、经济学、金融、医药、臀本挖掘。本文在学习和研究粗糙集基本理论与技术的基础上,将其应用到纹理图像分类中,纹理图像分类的步骤主要包括特征提取和特征分类。本文主要对纹理图像特征提取和基于粗糙集的分类器进行了深入的探讨和研究,主要工作如下:两种不同的方法获取图像特征值。瞬ㄆ骶哂惺庇蚝推涤虻牧:献罴逊直率,并且较好地模拟了人类视觉系统的视觉感受特性,能够精确捕获低频和中频纹理信息。因此本文设计一组龀叨个方向的瞬ㄆ鞫晕评硗枷窠次滤波处理,然后从每个输出结果提取平均值和方差共个特征向量作为其特征值。而灰度共生矩阵能较好地捕捉高频纹理信息,从中提取的纹理特征有较好的鉴别能力,而且其思想简单、易于实现,具有旺盛的生命力。本文构造了个方向,然后从每个方向提取能突出描述纹理不同方面如角二阶矩、熵、对比度和相关性等龆攘恐担芄鎏卣飨蛄孔魑M枷竦奶卣魈崛谖评硗枷竦姆掷嘟锥危紫壤么植诩魑7掷嗥鳎凑沾植诩为分类器的一般步骤对纹理图像特征值离散化、属性约简和规则提取。而离散化算法和属性约简算法的不同组合对最后的分类结果影响巨大,因此对比不同的离散化算法和属性约简算法在两种不同的纹理图像特征获取方法最后的分类结果,利用正确识别个数作为评价标准,以选取较好的组合,发现基于布尔推理离散化方法和属性约简算法这种组合对最后分类的效果比较好。粗糙集和支持向量机的优缺点具有互补性,如果将它们的优点以某种方式进行组合,就有可能在总体上取得比单一分类器更好的分类效果。基于此观点,采用了纸ù植诩椭С窒蛄炕腥诤系奈评硗枷穹掷嗥鳎酶萌诤戏掷嗥进行分类时,先采用粗糙集理论对纹理图像特征属性进行预处理,对相关属性进々’,、
一;,耖一≯关键词:纹理图像分类;粗糙集;瞬ㄆ鳎换叶裙采卣螅恢С窒蛄炕行离散化,通过属性约简算法删除特征属性中冗余的信息,降低属性的维数,然后将粗糙集约简后获取的新属性集送入支持向量机分类器进行精确分类,这样充分利用了粗糙集的属性约简和支持向量机识别率高、泛化能力强的优点,而且简化了支持向量机的训练和测试,从总体上提高了分类精度。多分类器融合浙江师范大学硕士学位论文痏●一妒Ⅱ白’’●,
≯.、琲,,.甋琫Ⅰ鮰..篺,,,瑃,’■—Ⅱ.、
.瑂籺州Ⅱ瑄琤籗《’篢籑■.浙江师范大学硕士学位论文,、琲瑄遜...;籊甌’埽.
目录摘要⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.髀邸研究的重要意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯纹理图像分类的主要内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.本文的研究内容和结构⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯..诖植诩奈评硗枷褡远掷嘟!引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..粗糙集基本理论⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯...⋯⋯⋯⋯⋯⋯⋯⋯⋯.P偷慕ⅰ.丶侍狻本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯菇ㄖJ犊狻引言⋯⋯⋯⋯.⋯...⋯.⋯⋯⋯...⋯.....⋯.⋯⋯..利用瞬ㄆ骰袢∥评硗枷裉卣鳌瞬ㄆ骰≈√⋯⋯......⋯.....⋯⋯...........................................................】:.’警一.
卜卜海海灰本章小结⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..论文工作总结⋯⋯..⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..进一步工作展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.参考文献⋯⋯⋯..⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.植诩谖评硗枷穹掷嘀械挠τ谩引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.离散化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.肷⒒⒒局省几种离散化算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.知识约简⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.实验对比和分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.植诩诤现С窒蛄炕谖评硗枷穹掷嘀械挠τ谩统计学习理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...榉缦兆钚』⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯