毕业论文课题相关文献综述
文 献 综 述
一、研究背景
随着计算机和互联网技术以及设备存储能力的迅猛发展，图像资料程爆炸式增长，人们面临着越来越多的图像数据。这些巨大的图像数据信息进一步导致了超大型图像信息库的产生，如何对这些海量数据进行分类处理已成为研究人员关注的热点。传统的基于文本的图像分类技术已不再适用于大规模图像信息库，为了帮助人们快速、有效地从大型图像信息库中找到其所蕴含的有价值的信息，20 世纪 90 年代初，研究者们提出了一种基于内容的图像分类技术，这种技术与传统的基于关键字的模式不同，它直接从图像的信息自身出发，对这些信息进行分析并提取特征，用筛选的特征值生成特征向量来描述图像，这样就提高了图像分类的自动化程度，使得基于内容的图像分类成为一项倍受关注的技术。
基于内容的图像分类技术主要包括两个核心问题：第一个问题是如何进行快速有效的图像描述，该问题的关键点是选取何种算法来对图像提取何种特征，选用合适的特征提取算法提取的图像特征能够以较好的特征来更好的描述图像，可以对图像的分类起到
事半功倍的效果；第二个问题是如何建立有效的图像分类识别系统，该问题的关键点是选取何种分类算法对待处理图像特征向量值进行分类，选用一个合适的分类算法，能够大幅提高图像分类的效率。
二、纹理特征
人类视觉系统在识别物体时，会充分利用物体本身的光学信息，而纹理作为一种重要的视觉线索，它是表达物体表面或结构的一种基本特征。在各类图像中纹理信息几乎是无处不在的，例如地上草的图像、水中波纹的图像、动物皮毛的图像以及计算机人工合成的规则图像等都可以认为是具有不同的纹理。在纹理图像中物体表面有差异的物理属性导致所体现的纹理有很大的不同，可以说纹理是图像的一个非常重要的属性，在图像处理等计算机视觉领域有着广泛的应用。
纹理通常有着以下几种特性：尺度性，规则性，区域性，粗糙度。
纹理特征不基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。
经过研究人员不断的努力，各种不同的纹理特征提取方法不断地被提出来。而在此期间许多研究人员也不断尝试对这些方法进行归类，经典的归类方法有：1979年，Haralick将这些方法划分为两类：统计方法和结构方法。1991年，Reed总结了此前自1980年以来各种不同的纹理特征提取方法，将其分为三类：基于特征的方法、基于模型的方法和基于结构的方法。1993年Tuceryan和Jain则将纹理特征提取方法归并为五类,即统计方法、几何方法、结构方法、模型方法和信号处理方法,这种方法得到了广泛流传。而2009年刘丽等在分析各种纹理特征提取方法和借鉴前人的基础上将这些方法归为四类，即统计家族、信号处理家族、模型家族和结构家族。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
