【畢業(yè)學(xué)位論文】(Word原稿)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索_第1頁
【畢業(yè)學(xué)位論文】(Word原稿)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索_第2頁
【畢業(yè)學(xué)位論文】(Word原稿)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索_第3頁
【畢業(yè)學(xué)位論文】(Word原稿)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索_第4頁
【畢業(yè)學(xué)位論文】(Word原稿)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索_第5頁
已閱讀5頁,還剩42頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 第一章 緒論 題背景及研究意義 進(jìn)入 21 世紀(jì)以來,隨著電子計(jì)算機(jī)和互聯(lián)網(wǎng)的廣泛應(yīng)用,信息技術(shù)迅猛發(fā)展。而在日益增多的信息當(dāng)中,圖像成為非常重要的信息形式,越來越多的圖像出現(xiàn)在信息世界當(dāng)中 , 使得圖像檢索成為一個(gè)需要研究的熱門課題。 通常認(rèn)為,特征提取和 相似度量是圖像檢索的兩個(gè)重要因素。特征提取和相似度量的關(guān)系是相輔相成、 互為促進(jìn)的,適當(dāng)?shù)奶卣魈崛】梢栽谔崛D像特征的同時(shí)簡化相似度量,而相似度量方法的應(yīng)用則可以提高圖像檢索的效率和質(zhì)量。隨著現(xiàn)代計(jì)算機(jī)技術(shù)的發(fā)展,越來越多的人們 開始 對(duì)圖像檢索方法進(jìn)行研究,提出了許多新的理論。其中, 灰度共生矩陣 1,2、 波器 3,4和歐氏距離相似性度量 等方法,是 圖像檢索 中 較為常用的 有效方法。 但是, 這些方法并不適用于數(shù)據(jù)量激增和變化的實(shí)際情況。也就是說, 當(dāng)圖像數(shù)量發(fā)生突然變化、圖像受 到干擾或者圖像本身發(fā)生變化時(shí) ,圖像檢索效果會(huì)明顯下降,圖像檢索的計(jì)算量會(huì)急劇增加。由于在實(shí)際應(yīng)用中,圖像的形式各種各樣,圖像數(shù)目數(shù)以億計(jì),使得圖像檢索具有 了極大 的 不確定性,而圖像檢索本身的重要性也使得更多的研究者 開始 對(duì)圖像檢索的理論和方法進(jìn)行 更深入 的 研究。 在圖像檢索的理論和方法中,基于內(nèi)容的圖像檢 索 (簡稱為 研究和應(yīng)用最為普遍的方法。這種方法中,廣泛應(yīng)用了 圖像所具有的紋理、形狀和顏色等固有屬性 進(jìn)行圖像檢索 。紋理是物體本身所具有的一種自然屬性,在圖像檢索技術(shù)中, 紋理是圖像像素灰度級(jí)變化時(shí)所表現(xiàn)出來的特性,這種特性不易受外界環(huán)境影響而變化,也不易隨圖像本身的平移等變化而改變,因此對(duì)于特定的圖像,其紋理特征具有唯一性 。紋理特征的唯一性使其成為圖像識(shí)別領(lǐng)域研究的重點(diǎn)問題之一。本文 基于模糊 單類支持向量機(jī)的圖像檢索 就是對(duì)紋理圖像進(jìn)行研究。 脈沖耦合神經(jīng)網(wǎng)絡(luò) (5,6是一種基于動(dòng)物的視覺原理提出的簡化神經(jīng)網(wǎng)絡(luò)模型。自提出以來,迅速得到研究者們的認(rèn)可,可以說是發(fā)展最快的第三代人工神經(jīng)網(wǎng)絡(luò)模型之一。 具有的相似神經(jīng)元同步點(diǎn)火等特性,非常適合用于圖像的不變特征提取,使其在圖像處理中得到了廣泛的應(yīng)用。單類支持向量機(jī) (7早由 人 在 支持向量機(jī) 基礎(chǔ)上提出 ,是一種較為優(yōu)秀的學(xué) 習(xí)方法,能夠蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 解決小樣本和維數(shù)災(zāi) 難 等問題,在圖像處理領(lǐng)域 得到了 一定的研究和應(yīng)用 102002 年, 人以及 人提出了模糊支持向量機(jī) (這種方法后來與單類支持向量機(jī)結(jié)合產(chǎn)生了模糊 單 類 支 持 向 量 機(jī) (這里簡稱 模糊單類支持向量機(jī) 自 提出以來,在圖像檢索領(lǐng)域得到了認(rèn)可和發(fā)展,隨著模糊技術(shù)的發(fā)展和紋理檢索等理論的不斷 完善,模糊單類支持向量機(jī)在基于內(nèi)容的圖像檢索中得到了應(yīng)用。本文在研究中,首先用 行特征提取,然后用 模糊 單類 支持向量機(jī)對(duì)提取出的紋理特征進(jìn)行分類檢索,最后對(duì)所提出的方法進(jìn)行分析和探討。 像檢索簡介 圖像檢索的研究始于二十世紀(jì) 70 年代,是在圖像集中檢索含有某種特征的特定圖像的一種技術(shù)。圖像檢索可以分成兩大類,即基于文本的圖像檢索 (即基于內(nèi)容 的圖像檢索 (即 早期的 圖像檢索技術(shù)是基于文本的圖像檢索,基于文本的圖像檢索利用文本方式描述圖像特征來進(jìn)行檢索,這些描述主要是人工建立的文本標(biāo)題和關(guān)鍵詞等?;谖谋镜膱D像檢索主要是利用人工對(duì)圖像進(jìn)行的標(biāo)引來進(jìn)行檢索,由于人工標(biāo)引比較主觀,因此在描述圖像特征時(shí)比較容易產(chǎn)生偏差,而且人工標(biāo)引需要耗費(fèi)大量的人力和時(shí)間,因此,這種基于人工的檢索方式,不能準(zhǔn)確反映圖像信息,效率也難以保證,很難適用于高速發(fā)展的信息時(shí)代對(duì)于圖像檢索的需求。 基于內(nèi)容的圖像檢索技術(shù)是在提取圖像視覺內(nèi)容特征作為特征向量的前提下,通過將所檢索圖像的特征向量與圖像庫中 圖像的特征向量進(jìn)行相似性匹配,從而進(jìn)行圖像檢索的一種方法。特征向量作為描述圖像內(nèi)容的關(guān)鍵元素,是通過采取一定的特征提取方法自動(dòng)完成的,這個(gè)過程不需要人工標(biāo)引,能夠反映圖像的真實(shí)內(nèi)容,同時(shí)效率也得到提高。因此,基于內(nèi)容的圖像檢索比基于文本的圖像檢索方法更加有效。特征向量主要是視覺內(nèi)容特征,包括圖像的顏色、紋理、形狀以及這些特征之間的空間關(guān)系等。 (1) 基于 顏色特征的圖像檢索 顏色是一種光的現(xiàn)象,是人們對(duì)物體進(jìn)行區(qū)分的一種視覺現(xiàn)象或知覺。顏色作為一種光學(xué)現(xiàn)象與物體特性的產(chǎn)物,是物體本身所具有的特征。對(duì)于一個(gè)固 有的物體,其顏色 不隨物體大小或旋轉(zhuǎn)角度變化而變化。這個(gè)特性同樣適用于圖像當(dāng)中, 顏色特征在圖像檢索中,對(duì)圖像大小等變化具有較好的魯棒性。雖然顏色蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 特征提取方法已經(jīng)得到了不少研究,但是,由于對(duì)光照強(qiáng)度比較敏感、缺少像素位置信息等原因, 這種提取方法 具有一定的局限性。在實(shí)際應(yīng)用中,為取得更好的 檢索效果,需要與其他內(nèi)容特征提取方法相結(jié)合。 (2) 基于 形狀特征的圖像檢索 形狀是物質(zhì)的一種存在或表現(xiàn)形式,通常表現(xiàn)為物質(zhì)的形態(tài)和狀貌。同顏色一樣,形狀特征也是圖像的重要視覺內(nèi)容特征。在二維空間中,圖像的形狀表現(xiàn)為一個(gè)由一條 或者多條線所圍成的區(qū)域。在數(shù)學(xué)上對(duì)形狀可以描述為形狀的輪廓邊界 和 其邊界 所包圍區(qū)域兩部分,自然而然圖像檢索中對(duì)形狀特征的描述就主要有基于 形狀的輪廓特征和區(qū)域特征 兩種方法。在現(xiàn)有的研究中,通常用樣條擬合曲線的方法或者傅里葉方法來對(duì)圖像的形狀輪廓進(jìn)行描述;而對(duì)圖像形狀區(qū)域通常采用形狀的區(qū)域面積以及形狀的無關(guān)矩等方法進(jìn)行描述。通常在實(shí)際應(yīng)用中,需要將圖像的輪廓特征和區(qū)域特征相結(jié)合, 以 達(dá)到對(duì)形狀特征進(jìn)行描述的目的。與顏色特征檢索一樣,基于形狀的圖像檢索方法,需要與其他內(nèi)容特征相結(jié)合,以達(dá)到更好 的 檢索效果。 (3) 基 于紋理特征 的圖像檢索 紋理的本義是指物體表面所呈現(xiàn)出的線形紋路。紋理作為物體的一種 固有屬性,在物體不發(fā)生外 力等變化時(shí),不易發(fā)生變化,尤其不隨著光照、亮度等條件變化而改變,因此在圖像檢索中,紋理特征具有一定的不變性。但是紋理與顏色一樣,比較容易受個(gè)人主觀性的影響,因此對(duì)于紋理的定義,目前還沒有明確而公認(rèn)的說法。在現(xiàn)代計(jì)算機(jī)圖形學(xué)當(dāng)中,對(duì)于二維平面或者光滑物體表面所具 有的紋理特征稱為花紋,而對(duì)于三維空間物體具有的凹凸不平的紋理特征稱為溝紋。圖形學(xué)中對(duì)于紋理特征的量化主要分為基于結(jié)構(gòu)的紋理量化方法和基于統(tǒng)計(jì)的紋理 量化方法兩種?;诮Y(jié)構(gòu)的量化方法主要是分析圖像中紋理的結(jié)構(gòu)信息規(guī)律,而基于統(tǒng)計(jì)的量化方法則是通過統(tǒng)計(jì)來分析圖像中紋理的空間分布信息。 基于內(nèi)容的圖像檢索系統(tǒng)按照?qǐng)D像檢索的目的不同,可以分為基于目標(biāo)的檢索系統(tǒng)、基于相關(guān)內(nèi)容的檢索系統(tǒng)和基于分類的檢索系統(tǒng)?;谀繕?biāo)的檢索系統(tǒng)的目的是為用戶檢索找出某個(gè)圖像目標(biāo),這個(gè)圖像根據(jù)所設(shè)定目標(biāo)的不同而不同,如果檢索目標(biāo)是特定的一個(gè)圖像,則檢索結(jié)果就是這個(gè)圖像本身;如果檢索目標(biāo)是與給定事物在不同角度或者背景下的圖像,則檢索結(jié)果就是在不同情況下的同一事物的不同圖像?;谙嚓P(guān)內(nèi)容 的檢索系統(tǒng),其目的是在沒有給定檢索目標(biāo)的情況下,檢索某一類具有共同特性或者關(guān)聯(lián)的圖像。基于分類的檢索系統(tǒng)是檢索與某一圖像 同類別屬性的圖像,因?yàn)轭惖姆秶呀?jīng)給定,所以檢索結(jié)果是圖像庫中 同類的一個(gè)或者多個(gè)圖像。在實(shí)際當(dāng)中,由于圖像數(shù)量巨大,而且對(duì)于同一事物,當(dāng)角度、大小、距離等外界條件發(fā)生變化時(shí),表現(xiàn)出來的圖像形式也會(huì)蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 發(fā)生變化,檢索目標(biāo)就會(huì)發(fā)生變化。不變特征檢索系統(tǒng)就是為了實(shí)現(xiàn) 目標(biāo)圖像 在某些條件發(fā)生變化時(shí)仍然能夠提取圖像特征進(jìn)行檢索的一種方法。 在圖像檢索技術(shù)中,不變特征是指圖像的這樣一種特征,它 既 不隨圖像攝取工具 、 光照強(qiáng)弱等外在條件的改變而改變,也不隨圖像的尺寸、方向等內(nèi)在因素的變化而變化。例如圖像的顏色、形狀和紋理等特征,雖然很大程度上是 人眼 的視覺特性,但是具有幾何不變性,代表著圖像的本質(zhì)內(nèi)容。采用不變特征來進(jìn)行圖像檢索,是不變特征檢索系統(tǒng)與其他圖像檢索系統(tǒng)的主要區(qū)別,也是其先進(jìn)之處。圖像 的顏色、形狀和紋理這些特征,所具有的平移、旋轉(zhuǎn)和尺度等不變性,稱 為幾何不變性,這些特征也稱為幾何不變特征。在圖像檢索中 , 如何提取圖像的不變特征成為研究的主要問題。由于圖像可能在特征提取時(shí)發(fā)生平移、旋轉(zhuǎn)等變化,因而使得檢索無法 有效進(jìn)行,因此在檢索過程中選取的提取方法應(yīng)該對(duì)圖像的特征信息具有幾何不變性。而在相似度量問題上,也應(yīng)該選擇對(duì)平移、尺寸變化等幾何變化具有較好魯棒性的技術(shù)。基于不變特征的檢索系統(tǒng)就是基于以上思路而產(chǎn)生的:這種方法首先選取圖像的 幾何特征例如 顏色、紋理和形狀等, 接著 尋 找 對(duì)這些幾何特征具有不變性的特征提取方法和具有較強(qiáng)魯棒性的相似度量技術(shù),最后選擇合適的識(shí)別方法,達(dá)到圖像檢索的目的。 不變特征圖像檢索是本實(shí)驗(yàn)室研究工作的重要部分, 從中取得了顯著的成果 6,13,14,26,365,例如將脈沖耦合神經(jīng)網(wǎng)絡(luò)用 于紋理特征不變性的圖像檢索中以及 脈沖發(fā)放皮層模型(提出等等。 本論文的研究工作是實(shí)驗(yàn)室圖像紋理檢索研究小組研究成果的一部分,小組的研究工作由馬義德教授進(jìn)行指導(dǎo),小組成員中,田樂和劉麗主要負(fù)責(zé)圖像紋理檢索過程中算法的研 究,綻琨和李小軍主要負(fù)責(zé)算法的應(yīng)用和推廣。本小組的研究工作已數(shù)次被國內(nèi)外期刊和國際會(huì)議收錄 ,并 在繼續(xù) 進(jìn)行新的論文撰寫。 劉麗在文獻(xiàn) 13,14中采用超平面法解決單類問題,提出了將單類支持向量機(jī)與 取技術(shù)相結(jié)合的圖 像檢索系統(tǒng),從不變特征檢索和抗噪性實(shí)驗(yàn)兩方面說明了 統(tǒng)的優(yōu)越性。本文參考這一模型 , 尋找出 采用超球法解決 模糊 單類問題 的方法 ,提出了基于 模糊單類支持向量機(jī)的圖像檢索系統(tǒng),通過和其它檢索系統(tǒng)的實(shí)驗(yàn)對(duì)比, 表明 了該系統(tǒng)良好的檢索效果和魯棒性。 像特征提取技術(shù)及現(xiàn)狀 關(guān)于圖像特征提取方法的研究已經(jīng)有三十多年的歷史,隨著現(xiàn)代計(jì)算機(jī)技術(shù)的發(fā)展,研究者們?cè)趫D像檢索領(lǐng)域做了大量的研究工作,并取得了 豐富 的研究成果,尤其是在基于圖像檢索的特征提取技術(shù)領(lǐng)域,近年來有不少理論出現(xiàn)。文獻(xiàn)15對(duì)圖像檢索 中的特征提取技術(shù)進(jìn)行了探討,對(duì)其研究方法進(jìn)行了概括性地分蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 析,指出了各種方法的優(yōu)點(diǎn)和不足?,F(xiàn)有的不變性紋理特征提取方法可以分為坐標(biāo)變換、統(tǒng)計(jì)分析等四大類。其中,坐標(biāo)系統(tǒng)變換方法是一種較為常用的方法,它通過變換坐標(biāo)系,采用極坐標(biāo) 提取旋轉(zhuǎn)不變性紋理特征。統(tǒng)計(jì)分析方法 是通過研究人眼視覺系統(tǒng)的特性提出的,通過不同階的統(tǒng)計(jì)量對(duì)圖像的紋理特征建立數(shù)學(xué)描述,進(jìn)行特征提取。在模型分析法中,所用的 模型 主要有高斯 機(jī)場 16、同步自回歸模型 17、 型 18、可控金字塔濾波器 19、小波變換 20和 通道 波器 21等多種。結(jié)構(gòu)分析法的原理是利用圖像紋理特征的結(jié)構(gòu)屬性 進(jìn)行特征提取 ,較為常用的主要有直方圖、形態(tài)學(xué)分解和拓?fù)浣Y(jié)構(gòu)描述等等。 在眾多的特征提取方法中,常用于 的紋理特征提取方法主要有灰度共生矩陣、小波變換等?;叶裙采仃囀菆D像紋理特征提取的重要方法之一,最早由 人提出 ?;叶裙采仃囀菍?duì)圖像上具有某特定距離和方向的 兩個(gè)像素的灰度狀況進(jìn)行統(tǒng)計(jì),來反映圖像灰度的空間相關(guān)特性,從而描述圖像的紋理信息。由于灰度共生矩陣法的原理和紋理空間位置上的灰度分布反復(fù)出現(xiàn)的特性相一 致,因此,這種方法特別適合于特征提取。小波變換法也是紋理分析的常用方法,小波變換采用小波基函數(shù)對(duì)參考圖像進(jìn)行小波變換來提取尺度、方向等信息,實(shí)現(xiàn)提取圖像中信息的目的,是一種空間域和頻率域的局部變換。在紋理分析中,通常選用小波系數(shù)作為圖像的特征。小波變換方法提出以來,數(shù)字信號(hào)分析得到迅速發(fā)展,在圖像處理領(lǐng)域尤其是圖像紋理分析領(lǐng)域也得到了廣泛應(yīng)用。 神經(jīng)網(wǎng)絡(luò)方法自提出以來,迅速成為圖像特征提取研究中的熱點(diǎn)方法 22,而型所具有的不變性特征等優(yōu)點(diǎn),為圖像的紋理特征分析提供了一個(gè)較為有效而簡單的方法,因 此 圖像識(shí)別和圖像的紋理檢索中取得了廣泛 的應(yīng)用 23。文獻(xiàn) 23詳細(xì)介紹了 原理和各種改進(jìn)模型,在總結(jié)各種方法和模型的基礎(chǔ)上,對(duì) 圖像分割和去噪、模式識(shí)別和特征提取等應(yīng)用進(jìn)行了探討,并對(duì)未來的發(fā)展方向進(jìn)行了展望,是本文 究的重要依據(jù)。在基于 圖像檢索方面,文獻(xiàn) 24對(duì) 模型進(jìn)行研究,提出了一種圖像旋轉(zhuǎn)和尺寸不變性 紋理檢索系統(tǒng)。文獻(xiàn) 25定義了一種 賦時(shí)矩陣重心不變特征,提出一種改進(jìn)的自適應(yīng)模型,并將其用于圖像的特征提取和目標(biāo)識(shí)別中,用實(shí)驗(yàn)證明了 提出方法的幾何不變性及抗噪性。文獻(xiàn) 26將 耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出了一種脈沖發(fā)放皮層模型 (實(shí)驗(yàn)證明這種方法在不變性紋理檢索中有良好的效果。 目前已有的分析和研究方法還比較分散,沒有形成一定的體系。如何尋找出一種通用而高效的特征提取方法,依然是需要我們繼續(xù)努力的方向。例如在研究中重視對(duì)模型的改進(jìn)和放射變換等方法的引入,以及如何處理三維特征等問題都蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 需要更多的關(guān)注。隨著越來越多新的算法被應(yīng)用到圖像檢索當(dāng)中,如何尋求一種更為高效的特征提取技術(shù)仍然 需要更多的關(guān)注和研究。 像識(shí)別技術(shù)及現(xiàn)狀 圖像識(shí)別技術(shù)始于上世紀(jì)八十年代,自從計(jì)算機(jī)技術(shù)被廣泛應(yīng)用以來,圖像識(shí)別技術(shù)迅速發(fā)展,如在醫(yī)學(xué)、空間技術(shù)及人臉識(shí)別等方面的應(yīng)用更是為人們所常見。通常認(rèn)為,圖像識(shí)別技術(shù)是指通過計(jì)算機(jī)技術(shù),采用相關(guān)的數(shù)學(xué)模型,對(duì)特定圖像進(jìn)行相關(guān)處理的一種技術(shù)??梢哉f , 圖像識(shí)別是人類視覺感官圖像識(shí)別的延伸和圖像“再認(rèn)”。圖像識(shí)別主要就是要利用現(xiàn)代先進(jìn)的計(jì)算技術(shù),來處理目前數(shù)量龐大的圖像問題。圖像識(shí)別技術(shù)屬于模式識(shí)別的范疇。 傳統(tǒng)的進(jìn)行圖像識(shí)別的方法是采用歐氏距離來進(jìn)行特征之間的相似性匹配的,通過計(jì)算兩幅圖像特征點(diǎn)之間的相似性距離即歐氏距離來對(duì)圖像進(jìn)行識(shí)別,是最初 的一種圖像識(shí)別方法。文獻(xiàn) 27中講述采用 型來進(jìn)行模式識(shí)別 ,這種方法的優(yōu)勢(shì)是可以在較為復(fù)雜的情況下,當(dāng)樣本發(fā)生畸變時(shí),仍然能夠?qū)崿F(xiàn)模式識(shí)別,具有較高的自適應(yīng)性能,而且運(yùn)行速度較快。 文獻(xiàn) 28中 人將統(tǒng)計(jì)學(xué)理論應(yīng)用在圖像檢索 領(lǐng)域 ,提出了一種新的機(jī)器學(xué)習(xí)方法 支持向量機(jī),支持向量機(jī) (即 立在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上,是一種新的機(jī)器學(xué)習(xí)算法, 也是一種有著堅(jiān)實(shí)理論基礎(chǔ) 的小樣本學(xué)習(xí)方法,研究的是有限樣本下的學(xué)習(xí)問題,期望得到有限信息下的最優(yōu)解。 隨著統(tǒng)計(jì)學(xué)習(xí)理論的完善, 支持向量機(jī) 以其越來越 出色 的學(xué)習(xí)性能, 迅速發(fā)展并 已成功應(yīng)用于人臉識(shí)別、圖像檢索等許多領(lǐng)域。文獻(xiàn) 29提出的 基于二叉樹 多類分類算法是一種新型的二叉樹生成算法,它 將聚類思想應(yīng)用在分類計(jì)算中,有效 的 提高了該算法的抗噪能力和推廣性能。 最小二乘支持向量機(jī)采用最小二乘線性系統(tǒng)代替?zhèn)鹘y(tǒng)的支持向量機(jī) , 采用二次規(guī)劃方法解決模式識(shí)別問題 。 自從 出支持向量機(jī)的概念以來,支持向量機(jī)尤其是單類支持向量機(jī)已經(jīng)在許多領(lǐng) 域得到應(yīng)用。 單類支持向量 (稱 法 10由 人提出,單類支持向量機(jī)通過估計(jì)目標(biāo)類樣本在特征空間中的密度分布來估計(jì)包含樣本的最小區(qū)域,即支撐區(qū)域,使得在支撐區(qū)域之外樣本出現(xiàn) 的 概率很小。 通過計(jì)算和分析得到樣本在特征空間的概率密度分布,來估計(jì)樣本的區(qū)域,這種方法不用對(duì)非目標(biāo)的樣本進(jìn)行完整描述,可以使運(yùn)算得到簡化。由于其優(yōu)越的性能,單類支持向量機(jī)在圖像識(shí)別領(lǐng)域得到了許多學(xué)者和專家們的研究。 文獻(xiàn) 30中 人提出的模糊支持向量機(jī)( 將模糊隸屬度引入支持向量機(jī),在支持向量機(jī)的基礎(chǔ)上對(duì)每個(gè)樣本分別分配一個(gè)模糊蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 隸屬度,對(duì)不同的樣本采用不同的懲罰權(quán)重系數(shù),在構(gòu)造目標(biāo)函數(shù)時(shí),使不同的樣本有不同的貢獻(xiàn),對(duì)噪聲點(diǎn)和孤立點(diǎn)賦予很小的模糊隸屬度,達(dá)到圖像檢索時(shí)抑制噪聲和孤立點(diǎn)的目的。模糊單類支持向量機(jī)方法結(jié)合單類支持向量機(jī)理論和模糊理論的特點(diǎn),能夠完美的解決單類模糊問題,文獻(xiàn) 31中用實(shí)例詳細(xì)說明了這種檢索技術(shù)的優(yōu)點(diǎn),為本文采用模糊 單類 支持向量機(jī)進(jìn)行圖像檢索和抗噪分析奠定了良好的基礎(chǔ) 。 文研究內(nèi)容安排 本文主要是通過以下幾個(gè)部分來對(duì)圖像檢索技術(shù)進(jìn)行探索,研究的重點(diǎn)在于利用 模糊單類支持向量機(jī)進(jìn)行圖像紋理檢索。 第一章 介紹了選題背景和研究現(xiàn)狀 。 通過對(duì)圖像檢索技術(shù)的論述,詳細(xì)介紹了圖像特征提取技術(shù)以及圖像識(shí)別技術(shù)的基本原理和研究現(xiàn)狀。對(duì)基于內(nèi)容的圖像檢索技術(shù)尤其是基于不變特征的圖像檢索進(jìn)行了介紹,對(duì)不變特征圖像檢索的研究現(xiàn)狀進(jìn)行了概述。最后對(duì)論文的整體結(jié)構(gòu)進(jìn)行了介紹。 第二章介紹脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本原理和數(shù)學(xué)模型。本章的重點(diǎn)是介紹和分析 基本原理,給出 數(shù)學(xué)模型 ,并對(duì) 特征提取中的應(yīng)用進(jìn)行分析,最后介紹了 簡化模型 交叉皮層模型。 第三章主要介紹模糊單類支持向量機(jī)和單類支持向量機(jī)的基本原理和方法。在對(duì)單類支持向量機(jī)的原理和基本特點(diǎn)研究的基礎(chǔ)上,對(duì)其應(yīng)用進(jìn)行了探討,分析了其優(yōu)缺點(diǎn)。接著本章介紹了模糊原理,在單類支持向量機(jī)的基礎(chǔ)上引入了模糊單類支持向量機(jī), 對(duì)其數(shù)學(xué)模型和隸屬度 函數(shù)進(jìn)行了介紹和分析。 第四章在前三章的基礎(chǔ)上,提出了 一種 基于 紋理檢索系統(tǒng)。 為了進(jìn)一步分析 研究 ,選取 適當(dāng)?shù)膱D像庫 和實(shí)驗(yàn) 參數(shù) 進(jìn)行了實(shí)驗(yàn),對(duì)不同情況下的不變性 檢索結(jié)果進(jìn)行分析,得出了結(jié)論。通過實(shí)驗(yàn)對(duì)比,表明了基于 幾何不變性紋理檢索系統(tǒng)的優(yōu)勢(shì)。 第五章對(duì)本文提出的方法進(jìn)行了抗噪性實(shí)驗(yàn)并進(jìn)行了實(shí)驗(yàn)分析。通過對(duì)圖像加入不同的噪聲進(jìn)行試驗(yàn)和對(duì)比分析可以看出,基于 紋理檢索系統(tǒng)對(duì)各種噪聲具有較強(qiáng)的魯棒性。 第 六 章 對(duì)本文所做的工作進(jìn)行了回顧和 總結(jié) ,在本文研究的基礎(chǔ)上,對(duì)未來的研究方向進(jìn)行了 展望。 論文得到了國家自然科學(xué)基金( 教育部科技項(xiàng)目博士點(diǎn)基金( 20110211110026),中央高?;穑?省自然科學(xué)研究基金( 1208支持。 蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 第二章 脈沖耦合神經(jīng)網(wǎng)絡(luò) 脈沖神經(jīng)網(wǎng)絡(luò) (模擬動(dòng)物視覺皮層視覺神經(jīng)細(xì)胞活動(dòng)而產(chǎn)生的一種算法模型。 通過神經(jīng)元特有的線性相加和非線性相乘調(diào)制耦合特性 形成的一種反饋型神經(jīng)網(wǎng)絡(luò) 5。 相對(duì)于傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)模型, 一種單層神經(jīng)網(wǎng)絡(luò)模型,算法以迭代算法為主,并且不需要提前進(jìn)行訓(xùn)練,具有自監(jiān)督和自學(xué)習(xí)的特性, 這使得 實(shí)際的生物神經(jīng)網(wǎng)絡(luò)更為接近,對(duì)信 號(hào)的處理能力更強(qiáng),更加適合于實(shí)時(shí)圖像處理。 提出以來,在圖像處理中得到了廣泛應(yīng)用 32 介 最早的 型是 經(jīng)元模型, 據(jù)研究中發(fā)現(xiàn)的貓的大腦皮層同步脈沖發(fā)放現(xiàn)象,提出了展示脈沖發(fā)放現(xiàn)象的連接模型 6,這就是早期的 型。 由于參數(shù)較多,這種神經(jīng)元模型較為復(fù)雜,在實(shí)際應(yīng)用中很難進(jìn)行參數(shù)設(shè)定。隨著 現(xiàn)代人工智能技術(shù)的發(fā)展和統(tǒng)計(jì)學(xué)理論的進(jìn)步 ,越來越多的研究者對(duì)原始的神經(jīng)元模型進(jìn)行簡化 37使其迅速發(fā)展并得到了較為廣泛的應(yīng)用。 型的基本 神經(jīng)元 單元如圖 2示 5,6。 圖 2經(jīng)元模型 神經(jīng)元即神經(jīng)細(xì)胞,是高等動(dòng)物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能單位。神經(jīng)元由細(xì)胞體和細(xì)胞突起組成,細(xì)胞突起又可分為樹突和軸突。 型中,神經(jīng)元也分為類似的三個(gè)部分。第一部分是接受域,接受域是接受輸入信號(hào)的部分,通過 連接通道 L 接受系統(tǒng)外部信號(hào),通過反饋通道 F 接受系統(tǒng)內(nèi)部其它信號(hào),反饋通Y W 1*L L U F 接受域 調(diào)制域 信號(hào)產(chǎn)生域 Y E S 蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 道反映的是系統(tǒng)內(nèi)其它神經(jīng)元對(duì)該神經(jīng)元的影響。其次是調(diào)制域,調(diào)制域的功能是將接受域 接受到的信號(hào)經(jīng)過非線性調(diào)制,輸出到信號(hào)產(chǎn)生域。系統(tǒng)的最后是信號(hào)產(chǎn)生域, 當(dāng)調(diào)制域輸出的信號(hào) U 大于某一時(shí)間的動(dòng)態(tài)閾值 E, 信號(hào)產(chǎn)生域的 閾值信號(hào)發(fā)生器就會(huì)被激活而產(chǎn)生一個(gè)脈沖。 型可以用以下離散數(shù)學(xué)方程表述 5,6,34: ( ) ( 1 ) ( 1 )j i j F i j k l k l i n e F n V M Y n S (2( ) ( 1 ) ( 1 )j i j L i j k l k n e L n V W Y n (2( ) ( ) 1 ( ) i j i j i jU n F n L n (2( ) ( 1 ) ( )j i j E i jE n e E n V Y n (21 , ( ) ( )()0, i j i f U n E 其 它(2其中, F( ) (i, j)個(gè)神經(jīng)元所接 受到的反饋輸入信號(hào), ()i, j)個(gè)神經(jīng)元所接受的外部輸入信號(hào) (即連接輸入 )。()系統(tǒng)的輸出此 10ij 或 。 M 和 W 為反饋輸入與連接輸入的連接權(quán)矩陣,本文中取 ??梢钥闯觯B接輸入和動(dòng)態(tài)閾值都受到 F、 L 和 E 等衰減系數(shù)的影響。在式(2, 成為連接系數(shù),表征 ()t 為時(shí)間常數(shù), 幅度常數(shù)??梢钥闯?,在 每次迭代過程中,當(dāng) 調(diào)制域的輸出信號(hào)()輸出脈沖。 在圖像處理當(dāng)中,用神經(jīng)元模型來表征圖像的像素。在給定一個(gè)連接權(quán)矩陣后,認(rèn)為每個(gè)神經(jīng)元對(duì)應(yīng)于圖像的一個(gè)像素。當(dāng)神經(jīng)元接受到外部輸入的信號(hào)時(shí),會(huì)受到激勵(lì),通過神經(jīng)元各系統(tǒng)單元的作用而產(chǎn)生一個(gè)脈沖,這個(gè)脈沖可以作為外部信號(hào),繼續(xù)激發(fā)其它相鄰的神經(jīng)元發(fā)放脈沖,這就是 經(jīng)元的 同步脈沖發(fā)放特性。 學(xué)模型表達(dá)是可以看出,某一時(shí)間內(nèi)的動(dòng)態(tài)閾值 ()間衰減的,這是因?yàn)?每 個(gè)神經(jīng)元具有不同的點(diǎn)火周期。從式 (2以看出, 當(dāng) 調(diào)制域的輸出信號(hào))放同步脈沖。在這個(gè)過程中, 第 (i, j)個(gè)神經(jīng)元 的 反饋輸入 F( )一步輸入到系統(tǒng)中,發(fā)放同步脈沖。 由此可見, 法不僅考慮了神經(jīng)元的脈沖特性,還考慮了該神經(jīng)元周圍其它 具有相似特性的神經(jīng)元對(duì)其輸入信號(hào)的影響。 蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 于特征提取 由于 經(jīng)元具有點(diǎn)火捕獲特性,而且相似神經(jīng)元具有同步脈沖發(fā)放特性,使其 在圖像處理尤其特征提取領(lǐng)域得到了許多學(xué)者的探索和研究。由于法在圖像特征提取時(shí),不易受到圖像平移、旋轉(zhuǎn)等變化的影響 40,41, 使其非常適合 不變特征提取,并且對(duì)噪聲具有較好的魯棒性。 1993 年首次將 法 應(yīng)用于 圖像檢索當(dāng)中,發(fā)現(xiàn)這種方法在 圖像特征提取 時(shí)具有較好的性能 42,43。不久后, 人也 將這種 方法應(yīng)用于圖像檢索當(dāng)中,并證實(shí)了這種方法的優(yōu)越性 44,45。 隨著越來越多的學(xué)者對(duì) 法在特征提取中的應(yīng)用進(jìn)行探索, 特征提取領(lǐng)域得到了推廣 。 輸出是一些二值圖像序列,其中包含著 紋理等 原始圖像的 許多特征信息, 這些特征信息是圖像的不變性特征,但是,這些信息比較混雜,具有很大的數(shù)據(jù)量,并不利于實(shí)際的數(shù)據(jù)處理,無法直接用來對(duì)圖像進(jìn)行識(shí)別,因此最初的 法具有一定的 局限性。如何對(duì) 出的二值圖像序列進(jìn)行變換以減少數(shù)據(jù)量,并且作為原始圖像的唯一性特征是一個(gè)需要解決的問題。 為了解 決上述問題, 出了一種時(shí)間序列的變換方法 46,47,通過對(duì)次迭代輸出的結(jié)果進(jìn)行 變換, 然后進(jìn)行 求和運(yùn)算,得到 這樣一個(gè) 時(shí)間序列: G(n) = (n)。在這個(gè)時(shí)間序列中, Y(n)是 n 次迭代輸出的二值圖像, )為求和函數(shù)。這個(gè)變換將圖像的多維特征成功轉(zhuǎn)化為一維特征,使運(yùn)算量大幅度減少。通過實(shí)驗(yàn), 實(shí)驗(yàn)結(jié)果進(jìn)行分析得出,對(duì)于每一個(gè)輸入,都可以得到一個(gè)時(shí)間序列,而且這個(gè)時(shí)間序列具有唯一性。也就是說,每個(gè)圖像與所輸出的時(shí)間序列是一一對(duì)應(yīng)的。同時(shí) 發(fā)現(xiàn)輸出的時(shí)間序列具有一定的周期性。 出的時(shí)間序列變換方法計(jì)算簡單,可以減少計(jì)算量并且易于實(shí)現(xiàn),但是仍有一定的局限性, 這種方法由于考慮的是二值圖像中 1的個(gè)數(shù),并不能全面反映圖像的信息,比較容易發(fā)生較大的偏差。 熵特征序列方法 是在 理論的基礎(chǔ)上產(chǎn)生的 。 信息 熵 最早表示隨機(jī)變量的概率分布函數(shù),在圖像檢索中,熵可以反映 圖像 的 統(tǒng)計(jì)特性 。 根據(jù) 以將二值圖像的熵表示為: H(P) = 1) 0)。 在這個(gè)表達(dá)式中 ,0 和 1 出現(xiàn)的概率。通過 計(jì)算 E(n)= (n)41, ()其中, Y(n)為 第 n 次迭代輸出的二值圖像, )是求解輸入圖像的熵函數(shù)。通過二值熵序列的表達(dá)式可以看出, 出 的 二值熵序列方法同時(shí)考慮了二值圖像中的 1 和 0,因此比 間 序列更加全面地反映了檢索圖像的信息。很多學(xué)者對(duì)于這種方法進(jìn)行了研究實(shí)驗(yàn),結(jié)果證明在參數(shù)選擇適當(dāng)蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 時(shí),對(duì)大多數(shù)圖像而言,其熵序列具有唯一性,不同圖像之間的熵序列具有明顯差異 6。同時(shí), 熵特征序列方法 同時(shí)間序列 變換方法一樣,具有 不變性 特征,適用于圖像檢索 。 通過以上論述,由于熵特征序列提取具有唯一性,而且適合于不變性特征提取,因此本文在研究中選用熵特征序列方法。 叉皮層模型 交叉皮層模型 (一種 簡化模型,最早由 5等人提出。交叉皮層模型是由生物視覺神經(jīng)元模型演化而來的,因此與實(shí)際的生物神經(jīng)元更為接近。 個(gè)神經(jīng)元的基本模型如圖 2示 6,型由于其結(jié)構(gòu)簡單,運(yùn)算較為簡單,使其在圖像處理中具有一定的優(yōu)勢(shì)。通過對(duì)比 型圖與 本模型圖可以看出, 為 簡化模型, 傳統(tǒng) 經(jīng)元模型中的 外部輸入信號(hào) ()反饋輸入 F( )直接作為內(nèi)部活動(dòng)項(xiàng)的一部分,這樣 型就大為簡化,而原有的功能并沒有減弱。在圖像檢索時(shí),當(dāng)一個(gè)神經(jīng)元產(chǎn)生脈沖,這個(gè)脈沖可以“捕獲”或者通過刺激使得周圍的同性質(zhì)的神經(jīng)元也發(fā)放一個(gè)或者多個(gè)同步脈沖。通過對(duì)得到的同步脈沖進(jìn)行熵特征序列變換,就可以達(dá)到提取圖像的不變性特征的目的。 圖 2單個(gè) 神經(jīng)元 的基本 模型 交叉皮層 模型 可以用 以下 離散 數(shù)學(xué) 方程式表述 6,35 ( ) = ( 1 ) ( 1 )i j i j i j k l k l i n f F n M Y n S (2( ) ( 1 ) ( )i j i j i jE n g E n h Y n (2h g S Y E F W Y f 蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 1 , ( ) ( 1 )()0, i j i f F n E 其 它(2其中, n)表示 第 (i, j)個(gè)神經(jīng)元的第 n 次反饋輸入 , 外部輸入 的 激 勵(lì) 信號(hào); n)是 輸出脈沖 ; 同 型不同的是, ( 1)前一時(shí)刻該神經(jīng)元 所產(chǎn)生的動(dòng)態(tài)閾值, 它 的大小 決定 了 這一時(shí)刻神經(jīng)元所接受到的 反饋輸入F( ) 否 可以 激發(fā)脈沖 。 連接矩陣 M 仍然 表示第 (i, j)個(gè)神經(jīng)元 周圍其它神經(jīng)元對(duì)其影響程度。 f 和 g 分別為 F 和 E 的衰減系數(shù) ,通常取 y 為 類支持向量機(jī)的應(yīng)用 法利用核函數(shù)將低維空間的樣本數(shù)據(jù)映射到高維 特征空間 ,并在高維空間中 構(gòu)造最優(yōu) 包圍球, 使樣本數(shù)據(jù) 盡可能的全部包圍在球的內(nèi)部,球面外的即為噪音樣本和異常點(diǎn)。這一特點(diǎn)非常適合解決單類問題,現(xiàn)在已經(jīng)廣泛應(yīng)用于各種圖像檢索領(lǐng)域中。 8和 7等人對(duì)單類支持向量機(jī)進(jìn)行研究并將其用于文本分類問題,取得了良好的效果。 1等人對(duì)單類支持向量機(jī)進(jìn)行改進(jìn),將其應(yīng)用在基于內(nèi)容的圖像檢索當(dāng)中。不少學(xué)者還將 法應(yīng)用 于其它方面,文獻(xiàn) 52用 法對(duì)類條件概率密度進(jìn)行分析,提出了一種基于 貝葉斯分類算法。在遙感圖像目標(biāo)檢索中, 法可以改善傳統(tǒng)支持向量機(jī)分類方法在處理正負(fù)樣本數(shù)目極不對(duì)稱情況下的誤檢率問題 53。 在對(duì) 法的研究和探索中,隨著研究的不斷深入,涌現(xiàn)出了一些改進(jìn)的 法,越來越多的學(xué)者開始對(duì)它們進(jìn)行了關(guān)注和應(yīng)用。 4等人提出了鄰近單類支持向量機(jī)方法, 5等人提出了一種加權(quán)單類支持向量機(jī),這些方法都得到了實(shí)現(xiàn)。 6等人首次將模 糊集理論引入到 法中,提出了一種模糊單類支持向量機(jī)。這種方法的思想是通過對(duì)每一個(gè)輸入樣本引入模糊隸屬度,來重新構(gòu)成一個(gè)特殊的單類支持向量機(jī),新構(gòu)成的樣本點(diǎn)對(duì)最優(yōu)分類面有不同的貢獻(xiàn),這樣所得到的支持向量機(jī)方法同時(shí)兼?zhèn)淠:碚撆c支持向量機(jī)理論的優(yōu)點(diǎn),推廣能力得到增強(qiáng)。隨著模糊集理論的引入,一些學(xué)者開始研究不確定性理論與支持向量機(jī)結(jié)合應(yīng)用問題,加權(quán)支持向量機(jī)、模糊支持向量機(jī)和粗糙集支持向量機(jī)等理論被不斷提出,并取得了一定的研究成果。 糊單類支持向量機(jī) 模糊單類支持向量機(jī)( 7)是指在單類支持向量機(jī)中應(yīng)用模糊技術(shù),對(duì)不同樣本添加不同程度的懲罰權(quán)系蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 數(shù),從而使不同樣本在所構(gòu)造的目標(biāo)函數(shù)中具有不同程度的貢獻(xiàn),對(duì)含有異常點(diǎn)和噪聲的樣本賦予較小的懲罰權(quán)系數(shù)值,這樣可以有效地消除異常點(diǎn)和噪聲對(duì)樣本的影響。 傳統(tǒng)單類支持向量機(jī)在訓(xùn)練過程中對(duì)所有的樣本數(shù)據(jù)采用統(tǒng)一的懲罰因子C,這種分類模型對(duì)異常點(diǎn)和噪聲十分敏感。模糊單類支持向量機(jī) ( 訓(xùn)練時(shí)根據(jù)懲罰權(quán)系數(shù)的大小區(qū) 分不同樣本的貢獻(xiàn),懲罰權(quán)系數(shù)越大,說明該樣本 在 構(gòu)造分類模型時(shí)的貢獻(xiàn)越大,因此為了減小噪聲和異常點(diǎn)對(duì)分類模型的影響,提高分類方法的泛化性,對(duì)其賦予較小的權(quán)值 ( 即 模 糊 隸 屬 度 ) 。 模 糊 支 持 向 量 機(jī) 中 訓(xùn) 練 樣 本 集 可 以 表 示 為1 1 1, , ) , , ( , , ) n n nX y x y x=( K,其中, , 1, ,i 通過在單類支持向量機(jī)中添加模糊隸屬度而形成的模糊單 類支持向量機(jī),有效地解決了樣本中存在噪音和異常點(diǎn)的問題,將其運(yùn)用在圖像檢索的過程中能更好 地 提高檢索率。 糊理論 “模糊”即英文“ 的直譯,英文中不僅有模糊的意思,還包含“不分明”等意。模糊問題就是指現(xiàn)實(shí)中存在的許多界限不分明的問題,也指那些不能確定事物本身是否符合這個(gè)概念的問題。實(shí)際中通常運(yùn)用模糊數(shù)學(xué)來解決模糊問題。因?yàn)楦拍畹耐庋佣斐?的不確定性也稱為模糊 性 ,這與概率論中的不確定性是嚴(yán)格區(qū)分開的, 即不規(guī)律事件出現(xiàn)的規(guī)律性。 1965 年, 8教授在模糊集合論中采用“隸 屬函數(shù)”這一新的概念來描述存在差異的事物之間的中間過渡,超越了古典集合論中事物之間絕對(duì)的屬于或者不屬于關(guān)系,這一開創(chuàng)性工作標(biāo)志了模糊數(shù)學(xué)的誕生。模糊集合理論的出現(xiàn)使數(shù)學(xué)能夠形象的描述復(fù)雜事物 , 使模糊的對(duì)象確切化,它將確定性對(duì)象的數(shù)學(xué)研究和不確定性對(duì)象的數(shù)學(xué)研究溝通起來,解決了精確數(shù)學(xué)和隨機(jī)數(shù)學(xué)中對(duì)事物描述的不足。 模糊理論還處于不斷的發(fā)展和完善過程中,但作為一門新興的學(xué)科已經(jīng)初步應(yīng)用于各種領(lǐng)域,例如:模糊控制、模糊識(shí)別、圖像識(shí)別、聚類分析、信息檢索、生物、醫(yī)學(xué)等,本文中主要將模糊理論知識(shí)應(yīng)用在圖像檢索中。 糊隸屬度的確定 在模糊單類支持向量機(jī)理論中,模糊隸屬度的設(shè)計(jì)是實(shí)現(xiàn) 關(guān)鍵,隸屬度函數(shù)的選取直接決定著算法的選擇和算法的實(shí)現(xiàn),隸屬度函數(shù)選擇不當(dāng)會(huì)使得算法實(shí)現(xiàn)困難,計(jì)算量增大。 蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 現(xiàn)階段構(gòu)造隸屬度函數(shù)的方法多種多樣,但是還沒有形成統(tǒng)一的準(zhǔn)則,仍舊需要 根據(jù)經(jīng)驗(yàn)和 實(shí)際情況來選擇 或者 構(gòu)造 適合的 隸屬度函數(shù) , 隸屬度大小 是由該隸屬度所對(duì)應(yīng)的樣本在樣本集中的貢獻(xiàn)來確定的。 常見的隸屬度函數(shù) 59,60主要有以下幾種: (1) 線性隸屬度函數(shù) 在構(gòu)造線性隸屬度函數(shù)時(shí)需要將樣本與其所在類中心之 間的距離進(jìn)行線性約束。采用線性函數(shù)描述為:特征空間中樣本到類中心之間的距離即是隸屬度的大小,這樣構(gòu)造的隸屬度函數(shù)即是基于線性距離的隸屬度函數(shù) 61。樣本距離類中心越近時(shí),得到的隸屬度值越大,反之得到的隸屬度值越小。首先引入樣本類中 心點(diǎn)的描述 : 將 的一類點(diǎn)記為12 , , nx x x, 其中0 r 代表類半徑 , 則有 : 0m a xi x x (3依據(jù)距離確定隸屬度函數(shù)時(shí) , 類中各樣本的隸屬度表示為模糊隸屬度 (): 0 11 (3( ) 1 ii r (3為了避免 式 (3 ( ) 0這一 情況 的出現(xiàn) , 取 01。 (2) 將樣本與其 所在類中心之間距離進(jìn)行非線性描述,即采用 62來描述的 隸屬度函數(shù) 被稱為 這種非線性關(guān)系表示為一種連續(xù)的從 0到 1單調(diào)增長的 通常用 a、 b、 由 義的標(biāo)準(zhǔn)型 : 220 ( )()2 ( )( ; , , ) ()1 2 ( ) / ( ) ( )1 ( )x bx a b c c c a b x (3式中: ( ) / 2b a c ,且在隸屬度大小等于 (3) 球型隸屬度函數(shù) 將樣本的隸屬度看作樣本與 最小 包圍 球中心 的距離和 最小 包圍 球半徑之間蘭州大學(xué)碩士研究生學(xué)位論文 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 的函數(shù), 采用這種方法構(gòu)造出的函數(shù)被稱為球型 隸屬度函數(shù) 63。 分別采取兩種不同的方式計(jì)算基于半徑內(nèi)、外的樣本隸屬度,則基于球型隸屬度的計(jì)算公式表示為: 1 ( ) /0 . 6 * 0 . 4 , ( )1 ( ) /()10 . 4 * , ( )1 ( ( ) )x Rd x Rd x x Rd x R (3中,樣本集中的樣本到包圍其大多數(shù)樣本的最小包圍球球心之間的距離用()示,最小包圍球的半徑用 ()計(jì)算公式如下: ( ) , 1, ,x x a i n (3從定義的基于球型的隸屬度函數(shù)中可以看出: ()大,則該樣本集中樣本的隸屬度值就越??;反之, ()屬度值越大,樣本位于最小包圍球中的可能性越大,對(duì)構(gòu)造最小包圍球所起的貢獻(xiàn) 越 大??紤]在特征空間中樣本的分布,在上式中,當(dāng)隸屬度值大于 本分布于包圍球內(nèi)部;當(dāng)隸屬度值小于 本分布在包圍球外邊;當(dāng)隸屬度值等于 本分布在包圍球的球面上。 糊單類支持向量機(jī) 方法 作為 一種特殊的單類支持向量機(jī)方法, 模糊單類支持向量機(jī)是根據(jù)樣本集中不同樣本的貢 獻(xiàn), 通過添加模糊隸屬度, 來 構(gòu)造基于不同隸屬度 的單類支持向量機(jī)。 它能更好地解決單類問題,從而更準(zhǔn)確地檢測(cè)出異常點(diǎn)和噪音,提高圖像的檢索效率。 圖 3模糊單類支持向量機(jī) 本文 采用超球法解決模糊單類問題, 選擇 球型隸屬度函數(shù), 實(shí)現(xiàn)含有球型隸屬度 的模糊單類支持向量機(jī) ,如圖 3示 。設(shè)可以將訓(xùn)練樣本集表示為1 1 1, , ) , , ( , , )n n ny x y x( K,其中 , , 1, ,i 映樣本 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模糊單類支持向量機(jī)的圖像檢索 在類中的重要程度 ,01i, 1, 1表示類標(biāo)識(shí) , 示每個(gè)樣本的特征。設(shè) () 為從模式空間 高維特征空間 z 的映射,則模糊單類支持向量機(jī)方法即是采用二次規(guī)劃方法求解下面帶約束條件的目標(biāo)函數(shù)的最小值: 21( , , ) ( )n a R C (3約束條件為: 2 2 , 1 , ,i i ix a R i n K (30 , 1, ,i K (3其中 C 為懲罰因子,通常取正常數(shù);i為松

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論