论文部分内容阅读
本论文是在国家自然科学基金(51261024)和无损检测技术教育部重点实验室开放基金(ZD200829003)资助下，充分发挥流形学习处理高维数、非线性数据的能力，将其应用于金属断口图像处理中，获得了较好的效果。本论文由以下几个方面组成：1、论述了流形学习的有关知识，流形学习的基本思想和几种典型的流形学习算法，并对这几种典型的流形学习算法进行了对比分析。该部分内容是整篇论文的理论基础。2、在模式识别中，灰度共生矩阵(GLCM)能够很好的提取图片的纹理特征，流形学习中的局部线性嵌入(LLE)方法是一种有效的非线性降维方法。结合两者的优点，经过严格的推导，提出一种基于灰度共生矩阵与流形学习的金属断口图像识别方法GLCM-LLE。将提出的方法与传统的基于灰度共生矩阵的方法进行对比，实验结果表明，本文提出的方法在识别率方面优于GLCM方法，具有实用、有效的优点。3、结合小波变换和流形学习各自的优点，提出了一种基于Wavelet-LLE的金属断口图像识别方法。在提出的方法中，利用小波变换和流形学习对金属断口进行特征提取和非线性降维处理，将得到的低维数据输入到最近分类器中进行识别。并且将提出的方法与基于小波变换的金属断口图像识别方法进行了对比分析。实验结果表明，提出的方法优于金属断口图像的小波特征提取方法。提出的方法对小波提取的特征进行有效处理，充分挖掘数据内在低维几何分布结构。从而，通过有效的降维大大提高了识别率和识别速度。4、Grouplet变换的基能够根据图像的纹理结构变化，流形学习中的局部线性嵌入(LLE)方法是一种有效的非线性降维方法，结合Grouplet变换和流形学习各自的优点，提出了一种基于Grouplet-LLE的金属断口图像识别方法。在提出的方法中，利用Grouplet变换和流形学习对金属断口进行特征提取和非线性降维处理，将得到的低维数据输入到最近分类器中进行识别。实验结果表明本文提出的方法是有效的。