局部像素特征概要课件.ppt

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目录1234 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第章章图像分割 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v阈值分割法一般不考虑空间特征，从而导致对噪声敏感。v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。v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v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。第第章章孪生支持向量机（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。第第章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,)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,)，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。第第章章01020304基于局部像素特征分类的图像分割步骤选择空间颜色：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。构造局部图像窗构造局部图像窗口：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：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TSVMTSVM训练样本选训练样本选择：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0506TSVMTSVM模型训练：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。TSVMTSVM像素分类：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。