论文部分内容阅读
纹理分类属于模式分类中的一个重要理论分支，其目的是识别出不同物体的纹理表现形式。彩色纹理分类有效地利用了图像中的颜色信息，比传统的灰度纹理分类准确率更高。本文围绕着基于纹理的图像分类进行了一系列的研究，结合纹理特征提取理论、模式分类理论和特征聚类理论等方法进行研究，例如光照变化下的纹理图像分类、基于大规模样本的纹理图像分类等，针对分类过程中的纹理特征提取、大规模图像分类和光照影响问题，提出了相应的解决方法，其主要的研究内容与创新点如下:
1.改进传统的Fourier变换，在彩色纹理的亮度分量I中提取Fourier变换全局纹理特征，在色度分量H，S中提取局部纹理特征，并赋予加权系数将两种特征进行特征融合，使其发挥全局特征和局部特征的特征优势，从而提高纹理分类的效果。实验结果表明两种特征相结合，比单一特征提高了纹理分类的精度。
2.针对光照变化的彩色纹理图像分类问题，本文采用了彩色局部角度二值模式(CLABP)特征提取和表示的方法，该方法充分利用了LBP特征提取迅速的特点，通过提取纹理图像的彩色局部角度二值模式适应了不同光照变化的影响，此外，通过求取多个信号通道之间的局部夹角，为后续的分类提高了准确率。实验结果表明，本章所采用的彩色角度局部二值模式方法在Outex纹理数据库上具有较高的分类准确率。
3.在大规模的纹理图像分类应用中，由于提取的纹理特征较多，分类速度很慢;此外，在提取的大量纹理特征中，存在着许多对分类没有奉献的噪声特征，影响了分类的准确率。为了解决上述问题，本文提出了基于特征树聚类和词频/逆文档频率(TF/IDF)统计的大规模纹理图像分类方法。该方法首先利用特征树进行近似k均值聚类;然后对集合内所有特征进行TF/IDF统计;最后将较为重要的特征用SVM进行分类。实验结果表明，文中所提出的基于特征树聚类和TF/IDF统计的大规模纹理图像分类方法可以有效地提高纹理图像集的分类结果。