基于复杂网络特征描述的图像分类识别算法研究

论文总字数：17242字

摘 要

图像特征描述作为分类算法的前驱对于识别效果有重要影响。典型的特征描述方法如颜色特征、形状特征、纹理特征等均忽略了同类样本统计特性上的相似性。本文提出了基于Kruskal演化模型的图像特征提取方法，主要包含：角点提取与聚类、复杂网络构建与演化、网络特征提取。

本文主要研究了特征点聚类数目、演化次数对分类效果的影响等实验。发现当聚类数目为25时分类效果最好，演化次数与分类准确率呈正相关。二分类和三分类准确率分别达到97.38%、93.08%。基于轮廓点构建的复杂网络特征的六分类准确率达81.65%。说明本文提出的演化模型拓展性较好，复杂网络的确能较好的描述图像特征并用于图像识别领域。

本文创新点有：

1. 角点提取后进行聚类不仅减少了角点提取时求导邻域长度、窗口大小、响应阈值等参数繁杂的调试工作还减弱了角点检测中背景噪点对于物体结构描述的影响。
2. 提供了一种新的网络演化思路。网络演化时采用基于Kruskal算法的无阈值演化模型避免了阈值设定与调整的繁杂工作。

关键词：角点检测，复杂网络，特征提取，图像识别

Research on Image Classification and Recognition Algorithm Based on Feature Description of Complex Network

Abstract

As a precursor to the classification algorithm, image feature description has an important impact on recognition effect. Typical feature description methods such as color features, shape features, texture features ignore the similarity in statistical properties of similar samples. This paper proposes an image feature extraction method based on Kruskal evolution model, which mainly includes: corner extraction and clustering, complex network construction and evolution, and network feature extraction.

This paper mainly studies the influence of the number of clusters of feature points and the number of evolutions on the classification effect. It is found that when the number of clusters is 25, the classification effect is the best, and the number of evolutions is positively correlated with the classification accuracy. The accuracy rate of two classifications reaches 97.38%. The three reaches 93.08%. The six-category accuracy rate of complex network features based on contour points reaches 81.65%. This implies that the novel model is better in extension. Complex network can describe the image features well and be used in the field of image recognition.

The innovations of this paper are:

1) Clustering after corner extraction not only reduces the complicated debugging of the neighborhood length, window size, response threshold and other parameters during corner extraction, but also reduces the influence of background noise on object structure description.

2) Providing a new network evolution idea. The non-threshold evolution model based on Kruskal algorithm in network evolution avoids the complicated work of threshold setting and adjustment.

Keywords: corner detection, complex network, feature extraction, image recognition

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 文献综述 1

1.2 内容安排 2

第二章 图像角点检测方法 3

2.1 灰度信息法 3

2.1.1 自相关函数 3

2.1.2 矩阵分析 4

2.1.3 响应值 4

2.1.4 Harris角点检测算法 5

2.2 二值图像法 6

2.3 边缘轮廓法 6

2.3.1 基于边界链码 6

2.3.2 小波变换与尺度空间 7

2.4 本章小结 7

第三章 基于Kruskal算法的网络演化模型 8

3.1 复杂网络概述 8

3.2 复杂网络的特征 8

3.2.1 度 8

3.2.2 熵和能量 9

3.2.3 平均距离 9

3.2.4 聚类系数 10

3.3 图像的矩阵表示 10

3.4 基于Kruskal算法的网络演化模型 10

3.5 本章小结 11

第四章 实验设计 13

4.1 数据集介绍 13

4.2 实验设计 13

4.2.1 角点检测与聚类 13

4.2.2 网络构建与分类实验 14

4.2.3 基于轮廓点的网络 14

4.3 分类器选择 14

4.4 本章小结 14

第五章 实验结果分析 15

5.1 角点提取与聚类 15

5.2 网络构建 16

5.3 实验一 18

5.4 实验二 19

5.5 基于轮廓点的网络 20

5.6 本章小结 22

第六章 总结与展望 23

致 谢 24

参考文献 25

1. 绪论

近年来，机器视觉与模式识别越来越受到人们重视，图像识别的理论和方法得到很大发展，相关产品如人脸识别、指纹识别、限制场景下的物体识别等已经实现落地。其便利性、可靠性已逐渐得到人们的认可。

图像描述方式是图像识别领域的基础，在计算机中，图像是以像素矩阵方式存储，像素矩阵由于噪点、光线变化、图像旋转与尺度放缩等问题包含了冗余信息不适合直接用于图像的分类，而且特征向量维数过高使得分类器的训练开销过大。因此人们考虑用像素矩阵构造合适的特征向量。通常使用的方法有基于颜色描述的颜色相关矢量、颜色矩、颜色直方图、颜色集 [^[1]]；基于纹理的统计法、频谱法、不变矩[^[2]]；基于形状的内部空间域、内部变换、边界特征等。显然，这些方法并没有考虑到同类图像在拓扑结构上的相似性、丢失了特征点的空间关系，无法做到图像的整体描述。因此我们考虑用复杂网络来实现图像的结构化描述。

1. 文献综述

如今，将复杂网络和特征描述相结合用于模式识别与图像处理领域的方法已经兴起，前期工作当属Backes AR最为出色。Backes AR等人[^[3]]以物体轮廓点及点间欧式距离作为网络的结点和边建立初始的全连接网络。然后设定阈值逐渐删除部分边，实现网络的演化。提取演化网络度等相关特征实现物体的形状描述。该方法在鱼类数据集上的表现比传统的Zernike矩方法好很多。但是该方法对于图像的遮挡和残缺描述会出现较大差异。后来Backes AR和Bruno OM [^[4]]在网络中引入分形维数的概念，利用不同演化时刻的度特征计算分形维数，再将分形维数序列做离散傅里叶变换，将拟合的多项式函数的系数作为轮廓描述的特征。该方法在人造形状集上的表现较好。再后来，Backes AR[^[5]]等人提出了新的初始网络构建方法，将所有像素点都作为网络的结点而非轮廓点。此外，也将结点灰度差等信息加入到边的权值中。

剩余内容已隐藏，请支付后下载全文，论文总字数：17242字