局部紋理特征提取與識(shí)別算法研究及應(yīng)用

《局部紋理特征提取與識(shí)別算法研究及應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、國(guó)內(nèi)圖書分類號(hào)：TP391密級(jí)：公開國(guó)際圖書分類號(hào)：西南交通大學(xué)研究生學(xué)位論文局部紋理特征提取與識(shí)別算法研究及應(yīng)用年級(jí):二○一二級(jí)姓名:王強(qiáng)申請(qǐng)學(xué)位級(jí)別:工學(xué)博士專業(yè):機(jī)械設(shè)計(jì)及理論指導(dǎo)教師:李柏林教授二零一八年三月ClassifiedIndex:TP391U.D.C:SouthwestJiaotongUniversityDoctorDegreeDissertationResearchandApplicationofLocalTextureExtractionandRecognitionAlgorithmGrade:2012Candidate:Wan

2、gQiangAcademicDegreeAppliedfor:DoctorDegreeSpeciality:MechanicalDesignandTheorySupervisor:Prof.LiBailinMar,2018西南交通大學(xué)學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)西南交通大學(xué)可以將本論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)印手段保存和匯編本學(xué)位論文。本學(xué)位論文

3、屬于１．保密□，在年解密后適用本授權(quán)書；２．不保密使用本授權(quán)書。學(xué)位論文作者簽名：ｉ４１指導(dǎo)老師簽名丨＂曰期：年Ｔ月入ｒ日曰期：２〇年月又日丨！『５西南交通大學(xué)博士學(xué)位論文創(chuàng)新性聲明本人鄭重聲明：所呈交的學(xué)位論文，是在導(dǎo)師指導(dǎo)下獨(dú)立進(jìn)行研究工作所得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體，均已在文中作了明確的說明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。本學(xué)位論文的主要?jiǎng)?chuàng)新點(diǎn)如下：1.針對(duì)局部二元模式算法對(duì)噪聲敏感的問題，提出了一種自適應(yīng)

4、噪聲抑制的局部二元模式編碼算法。圖像中每個(gè)鄰域噪聲強(qiáng)度是不同的，該算法首先計(jì)算鄰域內(nèi)每個(gè)像素灰度值與均值的偏差；其次，結(jié)合隨機(jī)誤差的分布特點(diǎn)，給出了一種自動(dòng)確定噪聲點(diǎn)的判斷準(zhǔn)則；然后，利用鄰域內(nèi)其他點(diǎn)的均值來(lái)代替噪聲點(diǎn)，實(shí)現(xiàn)了圖像局部自適應(yīng)濾波；最后，通過在公開的圖像庫(kù)上進(jìn)行算法測(cè)試，表明所提出的算法具有很好的噪聲抑制性能。2.針對(duì)局部二元模式采樣點(diǎn)不足，不能完整表達(dá)鄰域內(nèi)聯(lián)合差分分布關(guān)系的缺陷，提出了一種基于高斯分布的隨機(jī)采樣局部二元模式編碼算法（RSLBP，RandomSamplingLocalBinaryPattern）。根據(jù)圖像的灰度值服從高

5、斯分布的特點(diǎn)，該算法首先在鄰域內(nèi)利用高斯分布確定采樣點(diǎn)；然后，隨機(jī)選擇點(diǎn)對(duì)，計(jì)算點(diǎn)對(duì)之間的差分大??；最后，給定鄰域內(nèi)聯(lián)合差分分布，得到局部二元模式編碼。該算法增加了采樣點(diǎn)的數(shù)量，采樣方式考慮了原始鄰域內(nèi)的灰度分布關(guān)系，因而得到的采樣點(diǎn)可以更有效的代表原始圖像鄰域；通過對(duì)隨機(jī)點(diǎn)對(duì)之間的差分大小進(jìn)行局部二元模式編碼，得到的編碼結(jié)果能夠更好的體現(xiàn)圖像的微觀紋理結(jié)構(gòu)。在公開的圖像庫(kù)上以及現(xiàn)場(chǎng)采集的扣件圖像上進(jìn)行了算法測(cè)試，理論分析和試驗(yàn)表明所提出的算法具有更好的分類性能。3.針對(duì)特征點(diǎn)匹配，提出了一種融合差分大小和差分幅值大小的特征點(diǎn)描述算子。該算法首先在鄰

6、域內(nèi)根據(jù)高斯分布得到采樣點(diǎn)；然后，隨機(jī)選擇點(diǎn)對(duì)，計(jì)算點(diǎn)對(duì)之間的差分大小和差分幅值大??；最后，將差分大小和差分幅值大小關(guān)系進(jìn)行融合，得到特征點(diǎn)的描述算子。由于鄰域內(nèi)的差分大小關(guān)系和差分幅值關(guān)系可以完備的描述像素之間的差分關(guān)系，因此，該特征點(diǎn)描述算子的判別性較高。針對(duì)灰度值差異較小容易受到噪聲影響的情況，通過設(shè)置閾值，對(duì)差分在閾值范圍內(nèi)的點(diǎn)對(duì)，利用其鄰域均值重新進(jìn)行計(jì)算，由此得到的編碼具有更好的噪聲抑制能力；針對(duì)描述算子旋轉(zhuǎn)不變性問題，提出計(jì)算鄰域內(nèi)像素點(diǎn)的梯度方向，并且以梯度幅值作為權(quán)值得到梯度直方圖，從而確定最大的梯度方向作為主方向，最后旋轉(zhuǎn)鄰域像素

7、到主方向，再進(jìn)行差分計(jì)算得到特征點(diǎn)描述算子，該描述算子具有很好的旋轉(zhuǎn)不變性。４．針對(duì)現(xiàn)場(chǎng)采集的鐵路扣件圖像檢測(cè)準(zhǔn)確率不高的問題，提出利用ＲＳＬＢＰ算法結(jié)合ＬＤＡ主題模型對(duì)扣件進(jìn)行檢測(cè)。首先對(duì)圖像進(jìn)行ＲＳＬＢＰ編碼然后，對(duì)編；碼后的圖像利用ＬＤＡ提取圖像的主題；最后，利用ＳＶＭ對(duì)扣件進(jìn)行分類。ＬＤＡ主題模型具有很好的表達(dá)圖像主題的性質(zhì)，而ＲＳＬＢＰ能夠很好的表達(dá)圖像局部微觀紋理結(jié)構(gòu)，結(jié)合兩者對(duì)扣件進(jìn)行檢測(cè)，并與其他算法進(jìn)行比較，表明所提出的方法能夠有效提高扣件的檢測(cè)準(zhǔn)確￥。學(xué)位論文作者簽名：日期》以年ＶＴ月：西南交通大學(xué)

8、博士研究生學(xué)位論文第I頁(yè)摘要圖像局部紋理是從圖像數(shù)據(jù)中提取的圖像重要特征。局部紋理特征提供了可供圖像進(jìn)一步分