资源描述：
《小波在图像识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、实验五小波在图像识别中的应用一、实验目的采用图像小波变换后的统计特征对图像进行匹配识别。实现函数knnfunc（）。二．算法描述1.多尺度小波变换用冗余小波对图像进行个尺度的二维小波变换，得到幅子图像，具体描述如下式（5-1）式中：是原图像在尺度上作二维小波变换得到的低频子带图像，是原图像在尺度和方向上作二维小波变换得到的高频细节子带图像，，分别对应高频子带图像的水平部分，垂直部分和对角线部分。2.统计特征提取进行个尺度的二维小波变换后，对每幅图像构造一个长度为的统计特征向量，结构如式（5-2）所示。（5-2）式中，，即：相应子带图像的均值。该统计特征向量反映图像在不同尺度上和不同方向
2、上的能量分布情况，包含了图像模式中有价值的可识别属性。实验对每幅图像都作2个尺度的二维小波分解，构造一个长度7的统计特征向量。对于从各幅图像中提取出来的统计特征向量，计算它们之间的相似度。设和分别为两幅图像的统计特征向量，用它们夹角的余弦值来表征它们之间的相似度，其中（5-3）其中：像素点的坐标；伸缩因子；,平移因子；小波分解低频子带系数；小波分解高频子带系数；两幅图像特征向量夹角；图像特征向量；图像特征向量。三、算法步骤及流程图算法步骤：Step1：对原图像进行2级小波分解；Step2：对识别图像构建统计特征向量；Step3：由式（5-3）求两幅图像特征向量夹角的余弦值；Step4：
3、由余弦结果对图像进行匹配识别判别。算法流程图：开始加载图片对原图像进行2级小波分解对识别图像构建统计特征向量根据求两幅图像特征向量夹角的余弦值Cos1>Cos2final=final2final=final1结束三、程序源代码function[final]=knnfunc(x,w)[m,n]=size(w);temp=0;temp1=0;temp2=0;w1=reshape(w(1,:),n,1);temp1=abs(x*w1);w2=reshape(w(2,:),n,1);temp2=abs(x*w2);w3=sqrt(sum(w(1,:).*w(1,:)));w4=sqrt(sum
4、(w(2,:).*w(2,:)));w5=sqrt(sum(x.*x));cos1=temp1/(w3*w5);cos2=temp2/(w4*w5);temp=0;temp1=0;temp2=0;fori=1:ntemp=abs(w(1,i)*x(i))+temp;temp1=w(1,i)*w(1,i)+temp1;temp2=x(1,i)*x(1,i)+temp2;endcos1=temp/sqrt(temp1*temp2);temp1=0;temp2=0;temp=0;fori=1:ntemp=abs(w(2,i)*x(i))+temp;temp1=w(2,i)*w(2,i)+te
5、mp1;temp2=x(1,i)*x(1,i)+temp2;endcos2=temp/sqrt(temp1*temp2);final1=cos1;disp(sprintf('final1=%4.8f',final1));final2=cos2;disp(sprintf('final2=%4.8f',final2));if(final1>final2)final=final1;elsefinal=final2;end五、实验结果final1=0.99860690final2=0.99948368Final=0.99948368Elapsedtimeis0.247322seconds.六、
6、结果分析为了利用局部特征表示图像并克服图像分割技术的限制，引入特征向量。特征向量的选择直接决定着模式匹的好坏，要想提高匹配效果，应该选择更优的特征向量。七、算法综述小波分解后得到的图像序列由近似部分和细节部分组成，近似部分是原图像对高频部分进行滤波所得到的近似表示经滤波后，近似部分出去了高频分量，因此能够检测到原图像所检测不到的边缘。由小波变换理论可知，小波变换系数的模极大值点对应于信号的突变点。对于图像来说，这些点对应于图像的边缘，因此可以采用小波变换的多尺度表示提取特征点。最后将所提取的特征点用于图像的匹配。八、参考文献[1]张振宇，黄崇林，谭恒松.基于小波变换的图像识别算法.计算
7、机应用ComputerApplications.第27卷.2007年12月
