论文部分内容阅读
随着科学技术的不断发展,在我们的现实生活中出现了大量的数字图像,对这些数字图像进行处理是一门非常重要的学科。而图像分类作为数字图像处理的一个重要方面,近年来受到越来越多的关注。图像分类的主要过程包括获取图像的基本信息、图像的特征提取、对样本进行学习和训练以及最后的分类判别。在图像分类的过程中,对图像的特征提取是否有效以及分类器的选择是否优化,直接影响图像的分类结果。本文将图谱理论和非负矩阵理论结合起来,并通过选取几种常用的分类器对不同图像进行分类。其主要研究内容和成果如下：(1)提出了一种基于图的Laplace矩阵和非负矩阵分解的图像分类方法。该分类方法主要是利用图的Laplace矩阵可以代表图像的基本结构信息。对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵分别进行奇异值分解(Singular Value Decomposition, SVD))和非,负矩阵分解(Non-negative Matrix Factorization, NMF)后得到图像的特征向量,最后再将特征向量输入到径向基函数(Radial Basis Function, RBF)神经网络分类器中,对图像进行分类。对模拟图像和真实图像进行了多组实验,结果证明了基于图的Laplace矩阵和非负矩阵分解的图像分类方法与基于图的Laplace矩阵和奇异值分解的图像分类方法相比,准确性更好。(2)提出了一种基于图的递增权函数的邻接矩阵和非负矩阵分解的图像分类方法。先由图像中提取的特征点构造基于递增权函数的邻接矩阵,再对其进行非负矩阵分解,将分解后得到的特征向量作为概率神经网络(Probabilistic Neural Network, PNN)分类器的输入,实现对图像的分类。通过多组模拟图像实验和真实图像实验的结果比较,验证了使用该算法对图像进行分类,能够获得较高的分类识别率。(3)提出了一种基于图的高斯核函数的Laplace矩阵和非负矩阵分解的图像分类方法。对图像的特征点构造基于图的高斯核函数的Laplace矩阵,并对该矩阵分别进行非负矩阵、局部非负矩阵(Local Non-negative MatricesFactorization, LNMF)和稀疏非负矩阵分解(Sparse Non-negative Matrices Factorization, SNMF),将分解得到的特征向量输入到概率神经网络分类器中对图像进行分类。通过多组模拟图像和真实图像的实验结果来比较各种算法的优劣。