基于NSCT和支持向量機的紋理特征識別方法研究.pdf

1、紋理特征是將圖像內部灰度級的變化進行量化的表示。圖像的紋理分析與識別是圖像處理的重要研究內容之一，具有廣闊的應用前景。近年來,眾多學者已經對紋理分析進行了大量的研究，雖然取得了許多顯著的成果，但目前來說，紋理分析仍然是一個復雜且需要深入研究的問題。紋理特征的提取是進行紋理分析的基礎，是決定樣本之間相似性和分類器設計的關鍵。如何提取出特征維數小、計算簡單，同時又能夠最優(yōu)地表示圖像的紋理特征，是紋理特征提取中的重點和難點。本文在深入研究圖像

2、紋理特征提取方法的基礎上，結合非下采樣Contourlet變換與支持向量機來進行圖像的紋理特征提取和識別，尋找在SVM識別方法下能夠表示圖像紋理的最優(yōu)特征向量，并應用到醫(yī)學顱腦CT圖像的紋理識別。工作主要有以下幾個方面：
　　1、對圖像紋理特征表示方法進行了深入的研究。非下采樣Contourlet變換具有多方向、多尺度選擇性、各向異性和平移不變性，能在更精細的尺度上分析紋理。通過非下采樣Contourlet變換將空間域的紋理圖像變

3、換到頻率域，在頻率域中提取紋理特征對圖像進行表示。
　　2、在非下采樣Contourlet變換的基礎上，分別提取分解后各子帶圖像的紋理特征，尋找更多的能夠反映圖像紋理特征的度量組成組合特征向量，并對特征向量進行選擇、降維處理。選擇合適的參數建立支持向量機模型。將提取的特征向量作為支持向量機的輸入進行分類識別。選取了標準Brodatz紋理庫圖像進行仿真實驗，仿真結果表明，低頻子帶均值方差和高頻子帶能量組成特征向量組作為圖像紋理特征進

4、行分類識別時，識別率較高，特征維數相對較少，計算簡單，因此是在SVM識別方法下能夠最優(yōu)表示圖像紋理的特征。
　　3、針對醫(yī)學CT圖像的特點，結合非下采樣Contourlet變換與支持向量機的優(yōu)點，對顱腦CT圖像進行分類識別，提取NSCT分解后低頻子帶均值和方差及高頻子帶能量組成特征向量組作為顱腦CT圖像的紋理特征，用SVM進行分類識別。實驗表明，本文提取的特征對非病變顱腦CT圖像識別率為96.67％，對病變顱腦CT圖像識別率為90