论文部分内容阅读
纹理分类作为纹理分析研究领域的重要方面，在生物特征识别、目标识别、遥感图像分析、医学图像分析、基于内容的图像检索等领域有着广泛的应用并产生了深远的影响。相关的研究在过去的几十年中虽然得到了长足的发展，但仍有必要进一步的研究。
本论文提出两种旋转不变纹理分类的方法，这两种方法的核心都是经验模态分解(EMD)。EMD是Huang等人于1998年提出的，该方法具有自适应、完全数据驱动等诸多优点，在短短的十几年内被应用于各种信号分析领域，取得了良好的效果。
本论文主要完成了如下:
1、本文提出并实现了一种基于经验模态分解(EMD)和Radon变换的旋转不变纹理分类方法。本方法先利用Radon变换对纹理图像作预处理，再对其进行经验模态分解，计算分解得到的每个固有模态函数(IMF)的特征值作为旋转不变性特征。在Radon变换过程中，纹理图像的旋转信息被转化为角度方向上的平移信息，本文把Radon变换的结果转换成一维信号，一方面避免了旋转信息的影响，另一方面也方法用于后继的EMD处理，接着对EMD的分解出来的一系列IMF提取能量特征组成特征向量，用于分类识别，在最后的分类器选择中，选用了k近邻分类器。实验结果则显示出该方法的良好效果，其正确率达到了95％。
2、本文也实现了一种基于EMD和对数极坐标变换(LPT)的旋转不变纹理分类方法，对数极坐标变换的作用是把图像的旋转信息转换成平移信息，为了获得对数极坐标变换在不同方向上的一致性，在计算对数极坐标变换时选择图像上的一个圆形区域，再把交换结果转化成一维信号进行EMD分解，利用分解得到的IMF计算它们的瞬时幅值均值作为特征量，最后采用了利用k分类器进行分类。通过在Brodatz纹理库上试验，结果表明该方法取得了较好的效果，正确率达到了87％。
以上两种方法在最后的分类过程中，分类器均采用k近邻分类器，距离的计算是用欧式距离，计算测试样本与训练样本之间的距离。对于每种分类方法，都在Brodatz纹理图库上进行了实验，实验结果表明使用k近邻分类器可以取得较好的效果。
总之，不变性纹理分析一直是纹理分析中的一个具有挑战性的课题，而旋转不变性则是其中的一个难点问题，本文提出的方法都表明具有良好的分类效果。