人工神经网络 图像分割 matlab,MATLAB图像分割毕业设计开题报告

MATLAB图像分割毕业设计开题报告

上 海 工 程 技 术 大 学毕业设计(毕业论文)开题报告学 院 电子电气学院专 业 自动化班级学号 0212082 021206231学 生 於恺律指导教师 陈剑雪题 目 基于支持向量机的数字图像分割任务规定进行日期 自 2011 年 9 月 12 日起，至 2012 年 1 月 13 日止一、课题背景及研究意义:图像分割是进行图像理解的基础，是图像工程技术中的一个重要问题。近年来，人们越来越重视图像的分割算法，并期望寻求一种实时性、鲁棒性较好的算法。图像分割技术在当今信息社会中具有极其广泛的用途，特别是在医学图像诊断、卫星遥感图像识别、交通车牌信息识别等等方面尤其有现实意义。目前机器学习技术正越来越多地引领图像分割领域的研究发展，支持向量机正是其中一种较为先进的研究方法。 二、课题研究内容:1、图像处理 图像处理用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别 3 个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。当前,图像处理技术几乎渗透到人类所有的活动领域中，特别在自动控制、信息通讯、无损检测、资源勘测、医学诊断、生物工程等领域更是得到的极为广泛的应用和发展。在当前的图像处理系统中，常常以图像分割为基础。对于一个图像处理系统而言，图像分割性能的好坏往往直接决定该系统的图像处理性能。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。2.图像分割的方法阈值分割方法阈值分割是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对应单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点，成本低廉，实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下，该算法能非常有效地实现对图像的分割。阈值分割方法的关键是如何取得一个合适的阈值，近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等，更多的情况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。基于遗传算法的图像分割遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术。对此，科学家们进行了大量的研究工作，并成功地运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多问题。遗传算法的出现为解决这类问题提供了新而有效的方法，不仅可以得到全局最优解，而且大量缩短了计算时间。王月兰等人提出的基于信息融合技术的彩色图像分割方法，该方法应用剥壳技术将问题的复杂度降低，然后将信息融合技术应用到彩色图像分割中，为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。基于人工神经网络技术的图像分割 基于神经网络的分割方法的基本思想是先通过训练多层感知器来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。近年来，随着神经学的研究和进展，第三代脉冲耦合神经网络(PCNN)作为一种新型人工神经网络模型，其独特处理方式为图像分割提供了新的思路。脉冲耦合神经网络具有捕获特性，会产生点火脉冲传播，对输入图像具有时空整合作用，相邻的具有相似输入的神经元倾向于同时点火。因此对于灰度图像，PCNN 具有天然的分割能力，与输入图像中不同目标区域对应的神经元在不同的时刻点火，从而将不同区域分割开来。如果目标区域灰度分布有重叠，由于 PCNN 的时空整合作用，如果灰度分布符合某种规律，PCNN 也能克服灰度分布重叠所带来的不利影响，从而实现较完美的分割 。这是其一个突出的优点，而这恰恰是其他的分割方法所欠缺的，其在未来的图像分割中将起主导作用。基于小波分析和变换的图像分割近年来，小波理论得到了迅速的发展，而且由于其具有良好的时频局部化特性和多分辨率分析能力，在图像处理等领域得到了广泛的应用。小波变换是一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测。从图像处理角度看，小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率，在高频段可用低频率分辨率和高时间分辨率，小波交换在实现上有快速算法具有多分辨率，也叫多尺度的特点，可以由粗及精地逐步观察信号等优点。近年来多进制小波也开始用于边缘检测。另外，把小波变换和其它方法结合起来的图像分割技术也是现在研究的热点。3、支持向量机支持向量机是由贝尔实验室的 Vladimir N.Vapnik 博士等人在 1995 年基于统计学习理论基础上提出的一种专门研究小样本情况下的新型的机器学习方法。与传统统计学相比，SVM 算法不是以经验风险最小化原则为基础的，而是建立在结构风险最小化原则基础之上的，是一种新型的结构化学习方法。支持向量机以结构风险最小化准则为理论基础, 通过适当地选择函数子集及该子集中的判别函数, 使学习机器的实际风险达到最小, 保证了通过有限训练样本得到的小误差分类器, 它在解决小样本、非线性及高维分类等方面具有很大的优越性。SVM 是真正意义上的可以自动选择的学习机，它能很好地解决有限数量样本的高维模型的结构问题，具有良好的分类能力和预测性能。由于SVM 在许多应用领域表现出较好的推广能力，自 20 世纪 90 年代提出以后，迅速引起各领域的注意和研究兴趣。目前对 SVM 的研究主要有以统计学习理论为基础的理论研究、各种改进的 SVM 方法、针对大型问题的有效算法以及各种应用领域的推广等。支持向量机的主要思想为两点：(1)它是针对线性可分情况进行分析，对于线性不可分情况，通过使用非线性映射算法将其低维输入空间线性不可分的样本转化为高维特征空间，使其线性可分，从而使得在高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。(2)它基于结构风险最小化理论之上，在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且使整个样本空间的期望风险以某个概率满足一定上界。支持向量机的目标就是要根据结构风险最小化原理，构造一个目标函数将两类模型尽可能地区分开来，通常分为两类情况来讨论：线性可分与线性不可分。4、支持向量机的应用 SVM 在理论上具有突出的优势，在实践应用方面最早由贝尔实验室针对美国邮政手写数字库的相关识别进行了研究，