基于复杂网络的图像建模与特征提取方法研究

发布时间：2017-08-24 17:11

  本文关键词：基于复杂网络的图像建模与特征提取方法研究

  更多相关文章： 复杂网络 图像轮廓 数学建模 KNN特征提取

【摘要】：计算机和信息技术的快速发展,使得图像识别技术的应用也愈来愈普遍。而图像表示作为图像处理的基础,在计算机视觉和图像识别中发挥着越来越重要的作用。近年来,复杂网络理论引起了众多研究者们的兴趣,相关的概念和方法都是当前的研究热点。论文主要研究复杂网络下的图像建模与特征提取方法,针对其中存在的问题提出了相应的改进。论文研究的主要问题概括为以下三个方面:1.融合复杂网络与轮廓识别方法。利用复杂网络方法抽取目标的轮廓拓扑信息,形成识别参数,将复杂网络方法的优点融入到基于轮廓的目标识别方法中,简化目标网络模型的复杂程度,增强识别方法的容噪性,形成一种有效的目标识别方法。将现实中的各种轮廓以图的形式表示,利用复杂网络理论建立相应的网络模型,并计算与复杂网络相关的参数,最后通过对所有网络模型提取特征参数,汇集形成识别参数,产生图像目标识别算法用于对象目标的识别和分类。2.基于复杂网络图像建模下所提取的特征参数大都是统计特征,而这种特征不仅具有很好的稳定性,而且具备较强的抗噪声能力。鉴于这一点,本章提出一种有向复杂网络表示模型,利用K近邻(K-Nearest Neighbor,KNN)方法给出了一种有向复杂网络的演化方式,最终通过提取不同演化时刻下的有向复杂网络特征完成对图像的特征描述,实现图像的识别。3.全局直方图失去了特征的空间分布信息,鉴于这一点,本文将直方图信息与传统的图结构信息加以融合,这里提出一种基于节点属性(节点灰度值)的演化方式,生成一系列子网络,称这些子网络为节点加权属性网络,对这些子网络进行特征描述以实现图像的识别。
【关键词】：复杂网络 图像轮廓 数学建模 KNN特征提取
【学位授予单位】：上海师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;O157.5
【目录】：

• 摘要3-4
• ABSTRACT4-7
• 第1章 绪论7-11
• 1.1 本文的研究背景与意义7-8
• 1.2 本文中图像描述方法的研究与发展8-9
• 1.3 复杂网络下的图像建模9
• 1.4 本文的主要研究内容9-11
• 第2章 复杂网络的基本概念与理论11-15
• 2.1 复杂网络概述11-12
• 2.2 复杂网络基础理论12
• 2.3 复杂网络基本参数12-14
• 2.3.1 度特征12-13
• 2.3.2 聚类特征13-14
• 2.3.3 复杂网络的动态演化14
• 2.4 复杂网络图像建模14
• 2.5 本章小结14-15
• 第3章 基于复杂网络的图像形状轮廓识别方法15-26
• 3.1 轮廓的基本介绍15-16
• 3.2 基于复杂网络的目标识别方法研究现状16-17
• 3.3 基于复杂网络的图像形状轮廓识别方法17-23
• 3.3.1 图像形状轮廓的复杂网络建模18-20
• 3.3.2 网络模型动态演化20-22
• 3.3.3 识别参数提取方法22-23
• 3.3.4 形状识别23
• 3.4 阈值参数确定方法23-25
• 3.5 本章小结25-26
• 第4章 基于有向复杂网络模型的图像特征提取方法26-36
• 4.1 KNN演化模型26
• 4.2 图像描述与特征提取26-28
• 4.2.1 图像的有向复杂网络表示26-27
• 4.2.2 复杂网络的特征提取27-28
• 4.3 算法流程28
• 4.4 实验与分析28-35
• 4.4.1 图像聚类实验29-33
• 4.4.2 图像检索实验33-35
• 4.5 本章总结35-36
• 第5章 基于节点加权复杂网络模型的图像结构特征提取方法36-48
• 5.1 节点加权属性网络36-37
• 5.2 图像描述与特征提取37-38
• 5.2.1 图像的复杂网络表示37-38
• 5.2.2 复杂网络的特征提取38
• 5.3 算法流程38-39
• 5.4 实验与分析39-46
• 5.4.1 图像分类实验40-42
• 5.4.2 图像聚类实验42-45
• 5.4.3 参数分析45-46
• 5.5 本章小结46-48
• 第6章 总结与展望48-50
• 6.1 工作总结48
• 6.2 进一步的工作48-50
• 参考文献50-53
• 攻读学位期间取得的研究成果53-54
• 致谢54-55

，

本文编号：732509