基于二维小波的花朵图像识别

论文摘要

小波变换的基石是傅里叶变换,而傅立叶变换主要受到不确定性原理的影响,或者说傅立叶变换在频域和时域之间是缺乏分辨率的。将信号分解成小波比分解成频率,能够得到域中更好的分辨率。然而当使用小波变换时,信号是被转换成小波域的,通过这种转换方式,小波变换可以运用到机器学习和图像识别中。机器学习、图像识别等技术广泛运用于各领域,国内外研究中,有将小波应用于图象识别,人脸识别,自然语言识别等识别领域的,一般有如下几种方法:使用小波对图像进行分层或切割再对部分图像进行指标分析;使用几种尺度函数在不同方向上提取一维小波系数进行研究;将图片降到超小维度,再使用二维小波进行识别。在将二维小波应用于图像识别领域的研究中,大多数方案使用的是图片库,但是一旦出现非图库中的图片,识别率就非常低,针对图像识别面临的这个难题,研究出一套适用更多图片的算法就显得具有广阔前景和应用价值。本文在小波分析过程中不使用图片库,选取单个花朵图片,利用提取二维小波分层尺度系数,结合主成分分析降维,选取可以识别出花朵种类的特征值,最后使用决策树进行花朵种类识别和模型评估。本文的主要研究工作如下:基于图像的基本处理,提取图像的灰度矩阵,提取图像的分层近似小波系数。基于主成分分析,对提出的小波系数进行降维。基于决策树,对系数进行训练和预测,将决策树迭代10000次,得到该模型的花朵图像识别正确率。

论文目录

摘要

Abstract

第一章绪论

1.1 论文背景及意义

1.1.1 机器学习背景及意义

1.1.2 图像识别背景及意义

1.2 国内外研究现状

1.3 论文的创新点与研究方法

1.4 论文结构

第二章数据来源及预处理

2.1 收集和筛选花朵图片

2.2 基于算法将图片由彩图转成灰度图

2.3 提取花朵灰度图片的灰度矩阵

第三章二维小波系数提取

3.1 傅立叶变换对于数据处理的意义

3.2 小波变换和小波域对数据处理的意义

3.2.1 傅里叶变换算法成小波变换算法

3.2.2 小波变换和傅里叶变换在信号处理中的对比

3.2.3 多尺度变换

3.3 二维小波多尺度系数的算法

3.4 基于二维小波系数算法的花朵灰度矩阵系数提取

3.5 花朵二维小波分解作图（以一层分解为例）

第四章主成分分析降维

4.1 主成分分析对降维的意义

4.2 主成分分析算法

4.3 对花朵的二维小波系数矩阵进行主成分分析降维

第五章使用决策树进行花朵种类识别和模型评估

5.1 决策树原理

5.2 避免在决策树中过拟合

5.3 决策树与线性模型比较

5.4 决策树的集成和套袋

5.5 将花朵的二维小波主成分系数矩阵放入决策树中

5.6 画出最佳方案决策树图

第六章实验模型及总结与展望

6.1 模型梳理

6.1.1 查找,筛选和处理图片

6.1.2 提取图片的灰度矩阵

6.1.3 提取图片矩阵的二维小波系数

6.1.4 提取二维小波系数的主成分

6.1.5 将提取出的系数放入决策树中进行训练和测试得到该模型的正确率

6.2 实验的过程以及分析结果

6.2.1 花朵二维小波分解作图（以一层分解为例）

6.2.2 调参以获得最佳正确率

6.2.3 画出决策树图

6.3 总结与展望

参考文献

致谢

文章来源

类型: 硕士论文

作者: 丁奕宁

导师: 孟捷

关键词: 二维小波,机器学习,图像识别,主成分分析,决策树

来源: 云南大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,计算机软件及计算机应用

单位: 云南大学

分类号: Q949;TP391.41

总页数: 51

文件大小: 5196K

下载量: 68

基于二维小波的花朵图像识别

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢