支持向量机在图像配准中的应用研究

《支持向量机在图像配准中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要支持向量机在图像配准中的应用研究学科：控制理论与控制工程研究生：王飞导师：刘丁教授刘涵副教授(签名：互t(签名：摘要沙h判鸺图像配准是图像处理的基本任务之一，用于将不同拍摄条件(不同时间、不同视角、不同传感器)下获取的两幅或多幅图像进行匹配，主要是指几何意义上对准参考图像和传感器图像。图像配准是多种图像处理及应用(如物体辨识、变化检测、三维建模等)的基础，配准效果将直接影响到其后续图像处理工作的效果。目前，图像配准的方法很多，但没有一种方法可以适用于所有图像。因此，针对所应用的图像找到适合其特点的配准方法是图像配准研究中的重点。鉴于统计学习理论中最年轻、晟实用的部分

2、——支持向量机在小样本、非线性、高维模式识别方面的突出优势及该方法良好的通用’l生．本文研究将支持向量机(SVM)应用到图像配准过程中。主要内容如下：1_系统地介绍了支持向量机的基本理论，描述了支持向量机分类和回归算法：2．对图像配准的概念、流程进行了简单的介绍，重点分析了空间几何变换原理、相似性测度、重采样和插值技术以及常见配准方法；3．将支持向量机的分类特性用到图像预处理过程中，并在此基础上提出了基于SVM的两阶中值滤波方法。实验表明，该方法在有效去除图像中随机脉冲噪声的同时，能很好地保留图像的边缘等细节信息．而且具有良好的鲁棒性。4．详细分析和比较了传统的变换模型

3、估计方法和基于LS．SVM的变换模型估计方法各自的优缺点。并在Matlab6．5平台下，实现了基于控制点的图像配准方法的仿真实验，实验结果表明：基于LS．SVM的变换模型估计方法，不仅能有效地去除图像的几何形变，而且可以自适应的校正由于控制点的定位精度不高而引起的误差，使得图像配准的结果比传统的TPS方法更为准确。关键词：支持向量机、最小二乘支持向量机、图像配准、图像去噪、变换模型估计$本研究得到陕西省教育厅专项科研计划项目(No．05JK267)的资助。AbstractRESEARCHONlMAGEREGISTRATlONBASEDONSUPPORTVECTORMAC

4、HINESSpeciality：ControlTheoryandControlEngineeringCandidate：WangFeSupervisor：Prof．LiuDing(SignatureAssociateProf．LiuHan(SignatureABSTRACTImageregistrationisoneofthebasictasksofimageprocessing．Itistheprocessofoverlayingtwoormoreimagesofthesamescenetakenindifferentconditions(atdifferenttim

5、es，fromdifferentviewpoints，orbydifferentsensors)．Generallyspeaking,itgeometricallyalignstwoimages⋯·thereferenceandsensedimages．hnageregistrationisthebaseofimageprocessingandapplication(objectrecognition，changedetectionand3-Dimagerestoration)，andtheresultofimageregistrationcandirectlyeffe

6、ctthefurtherprocessingwork．Now,therearemanyimageregistrationmethods，butneitherofthemcanbefitforallimages．So，itisimportanttofindasuitablewayforthetargetimage．SVM(SupportVectorMachines)istheyoungestandthemostappliedpartofSLT(StatisticalLearningTheory)．Becauseofitsexcellentperformanceinsmal

7、lsample，nonlinear,andhighdimensionpattemrecognization，anditsgenerality,here，SVMhasbeenappliedintoimageregistration，andthemainpointsareasfollow：First,thebasictheoryofSVMhasbeenintroducedsystematically,andthenthearithmeticsofSVMclassificationandregressionhavebeendescribed．S