学位论文 > 优秀研究生学位论文题录展示
基于多特征结合与支持向量机集成的噪声检测与图像去噪
作 者: 宁宁
导 师: 付燕
学 校: 西安科技大学
专 业: 计算机应用技术
关键词: 图像去噪 椒盐噪声 多特征结合 支持向量机集成 支持向量回归机
分类号: TP391.41
类 型: 硕士论文
年 份: 2011年
下 载: 67次
引 用: 0次
阅 读: 论文下载
内容摘要
图像去噪是图像处理中关键的预处理环节。由于在含噪图像中,大部分噪声和图像细节分布在高频区域,不易区分,导致去噪时会不同程度地损坏图像的细节信息。因此,如何能在去噪的同时最大限度地保持细节信息是图像去噪研究的重点。针对在仅依赖单个图像特征时,基于支持向量机(Support Vector Machine, SVM)的图像去噪方法未能获得较好的去噪效果且会导致噪声点的识别率较低、分类器性能较差的问题,本文在分析总结图像去噪相关算法的基础上,探索了一种基于多特征结合与支持向量机的图像去噪方法。该方法根据图像中相邻像素的相关性及椒盐噪声的特点,利用多种特征相结合的方式来全面的描述像素点的属性,从而准确地区分噪声点和非噪声点。实验结果表明,基于多特征结合与支持向量机的图像去噪方法的去噪效果更优。此外,相对于基于单个特征的支持向量机分类器,基于多特征结合的支持向量机分类器对噪声点的识别率较高,且分类器性能更优。鉴于支持向量机集成(Support Vector Machine Ensemble, SVM Ensemble)的分类性能优于单个支持向量机,且稳定性、泛化能力更好,本文将支持向量机集成应用于图像去噪,提出了一种基于多特征结合与支持向量机集成的图像去噪方法。首先,根据图像中相邻像素的相关性及椒盐噪声的特点,提取含噪图像中的多种特征,并将其结合构成样本集;其次,对样本集进行归一化处理,并采用同时扰动训练样本和分类器模型参数的二重扰动机制及多数投票法构造支持向量机集成分类器;然后,利用支持向量机集成分类器识别含噪图像中的噪声点,再利用支持向量回归机对噪声点的灰度值进行回归预测;最后,重构图像达到去噪的目的。实验结果表明,该方法能进一步提高去噪效果,且在去噪的同时能较好地保持图像的细节信息,并在低噪声比下尤为有效。此外,与基于多特征结合的支持向量机分类器相比,基于多特征结合的支持向量机集成分类器具有更好的分类性能、稳定性和泛化能力。
|
全文目录
摘要 2-4 ABSTRACT 4-8 1 绪论 8-14 1.1 选题背景及研究意义 8-9 1.2 研究现状及发展趋势 9-12 1.2.1 数字图像去噪的研究现状 9-10 1.2.2 支持向量机集成的研究现状 10-11 1.2.3 发展趋势 11-12 1.3 研究内容和组织结构 12-14 2 数字图像与图像去噪基础 14-20 2.1 数字图像基础 14-15 2.1.1 数字图像的表示方法 14 2.1.2 空间与灰度级分辨率 14-15 2.2 图像去噪基础 15-19 2.2.1 图像去噪原理 15-16 2.2.2 噪声 16-17 2.2.3 传统的图像去噪方法 17-19 2.3 本章小结 19-20 3 支持向量机与集成学习 20-31 3.1 统计学习理论的核心内容 20-22 3.1.1 VC 维 20-21 3.1.2 推广性的界 21-22 3.1.3 结构风险最小化 22 3.2 支持向量机 22-27 3.2.1 支持向量分类机 23-25 3.2.2 支持向量回归机 25-26 3.2.3 核函数 26-27 3.3 集成学习 27-30 3.3.1 集成学习的基本理论 27-28 3.3.2 支持向量机集成 28-29 3.3.3 Bagging 算法的基本原理 29-30 3.4 本章小结 30-31 4 基于多特征结合与支持向量机的图像去噪 31-56 4.1 基于多特征结合与支持向量机的图像去噪方法 31 4.2 多特征 31-35 4.2.1 灰度特征 31-33 4.2.2 纹理特征 33 4.2.3 椒盐噪声特征 33-34 4.2.4 方向信息测度 34 4.2.5 邻域差分统计特征 34-35 4.3 基于多特征结合与支持向量机的图像去噪实验 35-54 4.3.1 实验平台及SVM 分类器的选择 35 4.3.2 实验对象 35-37 4.3.3 实验结果评价标准 37-38 4.3.4 去噪步骤 38 4.3.5 多特征提取 38-39 4.3.6 样本的选择 39-40 4.3.7 分类模型与回归模型的构造及模型参数的选择 40 4.3.8 实验结果的对比与分析 40-54 4.4 本章小结 54-56 5 基于多特征结合与支持向量机集成的图像去噪 56-71 5.1 基于多特征结合与支持向量机集成的图像去噪方法 56-58 5.2 支持向量机集成分类器的构成方法 58 5.3 基于多特征结合与支持向量机集成的图像去噪实验 58-70 5.3.1 实验平台及实验相关工作 58-59 5.3.2 去噪步骤 59 5.3.3 实验结果的对比与分析 59-70 5.4 本章小结 70-71 6 结论 71-73 6.1 本文工作总结 71-72 6.2 未来工作展望 72-73 致谢 73-74 参考文献 74-78 附录 78
|
相似论文
- 医学超声图像去噪方法研究,TP391.41
- 轮廓波变换及其在图像处理中的应用,TP391.41
- 基于小波变换的信号稀疏表示及其在图像去噪中的应用,TP391.41
- 数码相机中Bayer格式数字图像的降噪与颜色插值算法的研究,TP391.41
- 机器视觉系统中的图像噪声处理算法研究,TP391.41
- 非汛期水库群协同优化调度与应用研究,TV697.11
- 基于核回归与非局部方法的图像去噪研究,TP391.41
- 基于智能算法的碳纤维原丝纺丝工艺监测与优化,TQ342.742
- 航拍图像增强处理与拼接技术实现,TP391.41
- Tetrolet稀疏正则化与样本学习的图像超分辨率算法研究,TP391.41
- 基于偏微分方程的图像去噪与增强研究,TP391.41
- 求解图像去噪问题的变权重不动点算法研究,O177.91
- 多特征结合与支持向量机集成在图像分类中的应用,TP391.41
- 基于混沌和SVR的短时交通流预测方法研究,U491.112
- 基于数字图像处理的人脸检测算法研究与实现,TP391.41
- 视觉文档图像光学失真的校正,TP391.41
- 径向基函数在数字图像处理中的应用,TP391.41
- 基于支持向量机的云南地区地震预测,P315.9
- 基于总体变分法的图像去噪和复原研究,TP391.41
- 超复数稀疏表示及其应用的研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|