基于稀疏表示的紋理圖像分割研究.pdf

1、稀疏表示和字典學習在圖像去噪、圖像重建和模式識別等應用上取得了良好的效果。稀疏表示利用稀疏系數和重構誤差來作為模式分類的判別準則，同時為高維特征提供了一個低維魯棒性表示。稀疏表示分類算法(Sparse Representation Classification，SRC)是近年來提出的一個重要的分類算法，為稀疏表示的應用提供了新的思路。該算法直接將訓練樣本作為字典，通過訓練樣本的線性組合來表示測試樣本，即同類數據樣本之間可以相互線性表示。

2、為此，本文基于上述稀疏表示的理論研究，提出了基于稀疏表示的紋理分割方法。稀疏表示紋理分割方法是將圖像分割問題轉換為像素點的分類和聚類問題。但通常稀疏表示分類方法是基于圖像塊特征，難以準確表征圖像紋理信息。本文通過對紋理圖像進行Gabor濾波，使用像素點的Gabor特征來替代圖像塊特征。Gabor濾波可以獲得圖像在各方向和尺度下的紋理信息。其缺點是造成特征維數過大，而稀疏表示恰好提供了高維特征的低維魯棒性表示。
　　本論文的主要工作

3、概括如下:
　　(1)對稀疏表示和字典學習理論進行了全面地介紹，并重點研究了稀疏分類和聚類方法，以及經典的判別性字典學習方法，為后文的應用奠定了理論基礎。
　　(2)提出了一種基于稀疏分類的紋理分割框架。首先對紋理圖像進行Gabor濾波，從每類紋理中選擇一些像素點作為訓練樣本，提取其Gabor特征并建立字典，接著以待分割圖像的每個像素點作為測試樣本，計算其Gabor特征。利用OMP算法得到測試樣本在字典下的稀疏系數，最后根據

4、SRC的判別準則對像素點進行分類，完成分割。實驗與傳統(tǒng)圖像塊特征的比較表明，通過提取有效的紋理特征引入稀疏分類框架可以極大地提高紋理分割正確率。
　　(3)將字典學習引入紋理分割算法。在基于稀疏分類的紋理分割框架的基礎上，引入判別字典學習。在訓練樣本建立初始化字典后對字典進行判別字典學習，提高字典的類別的表示和判別能力，然后再對測試像素點進行稀疏分類。實驗通過引入兩種判別字典學習算法進行實驗，結果表明通過引入字典學習，可有效提高基