MATLAB图像分割毕业设计出题报告
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学级学号0212082 021206231学生恺律指导教师孤独百褶裙题目按支持向量机数字图像分割任务规定进行日期为2011年9月12日至2012年1月13日1 课题背景和研究意义：图像分割是图像理解的基础和图像理解的基础近年来图像的分割算法越来越受到重视，需要实时性、鲁棒性好的算法。 图像分割技术在当今信息社会具有极其广泛的用途，特别是在医学影像诊断、卫星遥感影像识别、交通车牌信息识别等方面具有特别现实的意义。 目前机器学习技术正引领着越来越多图像分割领域的研究发展，支持向量机是其中比较先进的研究方法之一。 二、课题研究内容：1、图像处理图像处理计算机分析图像以达到所需结果的技术。 也称为图像处理。 图像处理一般是指数字图像处理。 数字图像是指由数码相机、扫描仪等装置采样和数字化的大二维数组，数组的元素称为像素，其值是一个称为灰度值的整数。 图像处理技术的主要内容包括图像压缩、增强与恢复、匹配、描述与识别三部分。 常见的处理包括图像数字化、图像编码、图像增强、图像恢复、图像分割和图像分析。 目前，图像处理技术已经渗透到人类几乎所有的活动领域，特别是在自动控制、信息通信、无损检测、资源测量、医学诊断、生物工程等领域得到了极其广泛的应用和发展。 在目前的图像处理系统中，大多以图像分割为基本。 对于一个图像处理系统来说，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。 图像分割是将图像划分为几个具有特定独特性质的区域并提出感兴趣目标的技术和过程。 这是从图像处理到图像分析的重要步骤。 传统的图像分割方法大致分为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、基于特定理论的分割方法等。 近年来，研究者不断改进传统的图像分割方法，将其他学科的一些新理论和新方法用于图像分割，提出了许多新的分割方法。 2 .图像分割的方法阈值分割方法阈值分割是直接分割图像的常用算法，根据图像像素的灰度值而不同。 对应单一目标图像，只需选择一个阈值，就可以将图像分为目标和背景两类。 这称为单一阈值分割。 对象图像复杂时，可以通过选择多个阈值将图像中的对象区域和背景分割为多个。 这称为多阈值分割。 此时，还需要区分检测结果中的图像对象，唯一识别各图像对象区域。 阈值分割的显著优点是成本低廉，实现简单。 在目标与背景区域像素灰度值和其他特征存在明显差异的情况下，该算法可以非常有效地实现图像的分割。 阈值分割方法的关键是如何获得合适的阈值，近年来的方法有：用最大相关原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵法、最大熵法、峰值分析法等，在许多情况下，阈值的选择有两种以上的方法基于遗传算法的图像分割遗传算法是一种模拟自然界生物进化过程和机制求解问题的自组织和自适应人工智能技术。
对此，科学家们进行了大量的研究，并成功地应用于各种类型的优化问题。 在分割复杂图像时，往往采用多参数进行信息融合。 在求解多参数参与最优值的过程中，优化计算是最重要的，将自然进化特征应用于计算机算法可以解决很多问题。 遗传算法的出现为解决这类问题提供了新的有效方法，不仅可以得到全局最优解，而且大大缩短了计算时间。 xqdlr等人提出的基于信息融合技术的彩色图像分割方法，应用壳技术降低了问题的复杂度，然后将信息融合技术应用于彩色图像分割，为彩色分割在不同领域的应用提供了新思路和解决方案。 基于人工神经网络技术的图像分割神经网络分割方法的基本思想是首先通过训练多层感知器得到线性决策函数，然后用决策函数对像素进行分类以达到分割的目的。 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 )作为一种新型的人工神经网络模型，其独特的处理方式为图像分割提供了新思路。 脉冲耦合神经网络具有捕获特性，产生点火脉冲传播，对输入图像具有时空匹配作用，相邻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，输入图像中不同目标区域对应的神经元在不同时间触发，分割不同的区域。 如果目标区域灰度分布存在重叠，在PCNN的时空匹配作用下，只要灰度分布符合一定规律，PCNN也可以克服重叠灰度分布带来的不利影响，实现更完美的分割。 这是一个突出的优点，但这恰恰缺乏其他的分割方法，在未来的图像分割中起主导作用。 基于小波分析和变换的图像分割近年来小波理论发展迅速，且具有良好的时频局部化特性和多分辨率分析能力，因此广泛应用于图像处理等领域。 小波变换是一种多尺度多通道分析工具，适用于对图像进行多尺度边缘检测。 从图像处理的角度来看，小波变换具有“缩放”特性，可以在低频带使用高分辨率和低时间分辨率，在高频带使用低分辨率和高时间分辨率，实现小波交换的快速算法也被称为多分辨率、多尺度近年来，多进制小波也开始用于边缘检测。 另外，小波变换与其他方法相结合的图像分割技术也是目前研究的热点。 3、支持向量机支持向量机由贝尔实验室的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，