论文总字数：21976字

目 录

一、 引言 3

二、 相关研究 3

2.1 彩色图像预处理 3

2.1.1 颜色空间 4

2.1.2方向梯度直方图（HOG）特征提取 5

2.1.3 Gabor变换特征提取 5

2.1.4 卷积神经网络中的特征提取 6

2.1.5 特征融合 7

2.1.6 特征降维 7

2.2 分类器 8

2.2.1 常见分类器 8

2.2.2卷积神经网络中的分类器 8

2.2.3 分类器性能评价指标 8

2.3 开发环境 10

2.4 Python3.5介绍 10

三、 系统设计与实现 11

3.1系统设计 11

3.1.1系统结构设计 11

3.2 系统实现 12

3.2.1读入数据集 12

3.2.2 数据处理 13

3.2.3 图像预处理 13

四、 系统测试 16

4.1 图像数据集 16

4.2 测试方法及其结果与分析 17

4.2.1 不同数据形式，相同预处理和分类器结果比较 19

4.2.2 相同数据形式和分类方法，不同预处理方法（含参数不同的同种预处理方法） 20

4.2.3 相同数据形式和预处理方法，不同分类方法 21

五、 总结与展望 23

参考文献 24

致谢 26

彩色图像预处理及分类识别系统的设计与实现

陈泽宇

，China

Abstract：The pattern recognition of images has been well applied in many fields, such as species classification, face recognition and so on. The classification and recognition technology for color images is not mature enough for grayscale images. Based on a variety of feature extraction techniques, the paper designs and implements a color image preprocessing and classification recognition system. The system adopts different forms of color images, three feature extraction methods of HOG, Gabor transform and CNN, and SVM, RadomForest and Softmax classifiers. Through different combinations, the influence of different factors on the classification performance is analyzed. The results show that the classification accuracy of the color image is higher than the classification accuracy of the grayscale image and the other three single color channels. Using HOG extracted features for training and prediction is better than using Gabor transform to extract features. The correct rate of using CNN softmax classification is always significantly higher than that of using the other two classifiers; the processing speed of linear SVM is the fastest; the classification efficiency of linear SVM and Radom Forest classifiers is related to the extracted features.

Key words：image classification;preprocessing;radom forest;support vector machine

引言

人类通过视觉、嗅觉、听觉和触觉等方式获取外界信息，而其中，通过视觉获取的信息所占比例约为80%[1]。而在信息时代中，更多的更直观的信息是通过图像传递的。技术在发展，图像的数量、种类也越发繁杂，如果没有合理的管理方式，人们要及时获取想要的图像信息会很难，这反而带来了诸多不便。而数字图像技术的发展日益成熟，不仅是科技的进步，也为人们的生活带来了不可忽视的便捷。其中，图像的分类识别作为整个技术理论体系中尤其基本且重要的部分，非常值得研究。

要从庞杂的图像数据中识别出根据需要的有意义的内容，模式识别是现今最好的方法，而分类识别可以说是它的一个子集。提高机器对图像分类的性能，有益于多个领域的发展，如对植物图像的分类识别[1]，对人脸的分类识别[6]，对手写字体的识别[7]等。本论文旨在设计一个图像分类识别系统，并探究在分类过程中，不同彩色图像的预处理方法、不同数据集、不同分类算法等因素对分类性能的影响。而本分类系统注重对彩色图像的分类识别，因为彩色图像携带的内容信息较灰度图像更多，且彩色图像是信息交流中的主流图像，而在数字图像技术的发展中，灰度图像的处理方法已经更为成熟，所以相对来说，对彩色图像的处理方法进行研究更加有意义。

相关研究

2.1 彩色图像预处理

对于机器来说，不能像人类一样，看到一张图就知道图里的是什么内容，机器只能识别二进制的信号，因此，要想机器像人一样识别出图像的内容，需要将图像数据做一些预处理，便于将图像输入机器的分类识别算法，而适宜的预处理办法也对提高分类效率有所帮助。

剩余内容已隐藏，请支付后下载全文，论文总字数：21976字