基于聚类的智能图像分析算法毕业论文.doc

基于聚类的智能图像分析算法毕业论文 目　　录 第一章 绪论 1 1.1 智能图像分析概述 1 1.1.1 课题背景 1 1.1.2 国内外研究现状 2 1.2 聚类分析 3 1.3 课题目标及本文研究内容 3 1.3.1 预期目标 3 1.3.2 主要研究内容 3 1.3.3 系统方案 4 1.3.4 本文的结构 4 第二章 技术基础 5 2.1 图像特征 5 2.2 图像分类方法 5 2.2.1 图像分类概念 5 2.2.2 图像分类原理 6 2.2.3 图像分类方法 6 2.3 MatLab及图像智能处理工具箱 7 第三章 图像矩不变特征提取 9 3.1 图像矩不变特征介绍 11 3.2 图像矩不变特征提取 12 第四章 分类算法 14 4.1 SVM分类算法 14 4.2 k-means分类算法 16 第五章 基于MatLab的图像分析软件实现 19 5.1 软件功能及系统流程 19 5.2 关键函数详述 19 5.2.1 图像灰度化 19 5.2.2 图像平滑与图像锐化 20 5.2.2.1 中值滤波 20 5.2.2.2 图像锐化 21 5.2.3 Hu矩不变特征值 21 5.2.4 SVM神经网络的建立和训练 22 5.2.5 k-means分类函数 24 第六章 系统测试 26 6.1 系统界面 26 6.2 功能测试及统计 30 6.2.1 训练样本 30 6.2.2 结果与分析 30 第七章 结论与展望 33 7.1 结果与结论 33 7.2 问题与展望 33 7.3 心得体会 33 参考文献 35 致 谢 36 第一章 绪论 智能图像分析概述 随着我国人民生活水平的提高，数码相机、DV机等摄影器材得到了极大范围的普及，数字图像的数量也在飞速增长，同时，互联网的普及使得人们对于图像检索的需求大大增加。近年来，为了满足人们日益增长的生活、学习、工作、娱乐等各方面的需要，数字图书馆中储存了数以万计的图像。 图像处理技术从一开始就是一个基于线性代数、统计理论和物理学之上，具有很强理论背景的研究领域，它需要广泛的基础知识，包括计算机科学、数字信号处理、随机过程和统计数学、矩阵分析、信息论、控制论和最优化理论等。同时，图像处理又是一门与应用紧密结合的学科，应用领域涉及计算机视觉、地理、气象、航空航天、医疗保健、刑事侦查等。 课题背景 在20世纪初，运用机器来处理图片是一件非常困难的事。但随着计算机硬件、图像获取设备、显示设备的不断改进和各种高性能能工作站的出现，图像处理技术迅猛发展。而信息时代的到来，又无疑使图像处理技术进入了一个更加蓬勃发展的阶段，特别是以多媒体技术、通信技术、信息存储技术和以Internet为代表的计算机网络技术的加速发展以及高清晰度电视的深入应用研究，图像处理技术研究和应用前景更为广阔。 数字图像处理所涉及的知识非常广泛，具体的研究方法种类繁多。传统的图像处理技术主要集中在图像的获取、变换、增强、恢复（还原）、压缩编码、分割与边缘提取等方面，并且随着新工具、新方法的不断出现，这些图像处理技术也一直在更新与发展。近十多年来，随着信息技术的发展，图像特征分析、图像配准、图像融合、图像分类、图像识别、基于内容的图像检索与图像数字水印等领域取得长足的进展。这些图像处理技术反映了人类的智力活动，它在计算机上模仿、延伸和扩展了人的智能，具有智能化处理功能，因而称之为智能图像处理技术。其中最具代表性的是图像分类技术以及基于内容的图像检索。 图像分类就是利用计算机对图像进行定量分析，把图像中的每个像元或区域划归为若干个类别中的一种，以代替人的视觉判读。图像分类的过程就是模式识别的过程，是目视判读的延伸和发展。 图像分类主要用于遥感、医学与军事等领域。以遥感图像分析为例，遥感技术是通过对遥感传感器接收到的电磁波辐射信息特征的分析来识别地物类型的，这可以通过人工目视解释来实现，或是用计算机进行自动分类处理，也可以用人工目视解释与计算机自动分类处理相结合来实现。用计算机对遥感图像进行地物类型识别是遥感图像数字处理的一个重要内容，也是模式识别技术在遥感技术领域中的具体应用。 基于内容的图像检索就是根据图像的语义和感知特征进行检索，具体实现就是从图像数据中提取出特定的信息线索（或特征指标），然后根据这些线索从大量存储在图像数据库的图像中进行查找，检索出具有相似特征的图像数据。与传统的基于关键词的数据库检索相比，具有相似度检索、近似检索和要求给出检索结果的集合限制等特点。 人们常说“物以类聚，人以群分”。面对数量庞大的图像信息，寻找一种方便快捷、直接有效的对图像进行分类方法已经成为进行图像处理工作的重要基础和必不可少的重要环节，尤其是对于基于内容的图像检索具有极其重要的作用。聚类分析分类方法是先对图像按照某种相似性原则