基于小波变换的图像分类说明文档.doc

基于小波变换和K-Mean算法的图像分类 一 样本纹理特征提取 在计算机视觉研究领域，纹理是描述图像的一个重要特征小波变换的纹理分割方法是一种理想的图像分割算法。本采用了Daubechies小波。设定小波包分解的层数为m，对Bi，i 1,2,…,p分别进行m层二维小波包分解，对于每个图像子块，均得到4m个分解子频带图像。每个图像子块的4个子频带的绝对值平均能量值作为一个特征分量，其表示为为频带系数值，因此第i个子块的特征向量为，其中，表示第k个子频带的平均能量值，代码如下 %读入样本11,即遥感图像的背景 I imread 11.jpg ; I rgb2gray I ; %灰度值归一化 I im2double I ; %二维小波分解 [cA,cH,cV,cD] dwt2 I,db1 ; [M N] size I ; M M/2;N N/2; A11 0;H11 0;V11 0;D11 0; for i 1:M for j 1:N A11 A11+cA i,j / M*N ; H11 H11+cH i,j / M*N ; V11 V11+cV i,j / M*N ; D11 D11+cD i,j / M*N ; end end %得出特征向量T11 T11 [A11;H11;V11;D11]; 二 对待分类图像进行小波变换，提取特征向量 %读入待分类遥感图像 I imread tm2000mask.jpg ; I rgb2gray I ; %灰度值归一化 I im2double I ; %二维小波分解 [cA,cH,cV,cD] dwt2 I,db1 ; [M N] size I ; M M/2;N N/2; P [cA;cH;cV;cD]; 三 使用K-Mean算法进行遥感图像分类 1 计算各点与分类初始中心的距离 d 1 cA i,j -T1 1 ^2+ cH i,j -T1 2 ^2+ cV i,j -T1 3 ^2+ cD i,j -T1 4 ^2 ; d 2 cA i,j -T2 1 ^2+ cH i,j -T2 2 ^2+ cV i,j -T2 3 ^2+ cD i,j -T2 4 ^2 ; d 3 cA i,j -T3 1 ^2+ cH i,j -T3 2 ^2+ cV i,j -T3 3 ^2+ cD i,j -T3 4 ^2 ; ……………….. 2 确定类别并调整聚类中心 if d 1 min_d K i,j 1; number1 number1+1; elseif d 2 min_d K i,j 2; number2 number2+1; elseif d 3 min_d K i,j 3; number3 number3+1; elseif d 4 min_d K i,j 4; number4 number4+1; elseif d 5 min_d K i,j 5; number5 number5+1; elseif d 6 min_d K i,j 6; number6 number6+1; elseif d 7 min_d K i,j 7; number7 number7+1; elseif d 8 min_d K i,j 8; number8 number8+1; elseif d 9 min_d K i,j 9; number9 number9+1; elseif d 10 min_d K i,j 10; number10 number10+1; elseif d 11 min_d K i,j 11; number11 number11+1; end e_new e_new+sqrt min_d ; %计算迭代终止条件 end end T1 T1*0;T2 T2*0;T3 T3*0;T4 T4*0;T5 T5*0;T6 T6*0;T7 T7*0;T8 T8*0;T9 T9*0;T10 T10*0;T11 T11*0; %调整聚类中心 e_new e_new/M/N; %%%%%%%%%%%%%%%%%%%%%%调整各聚类的中心%%%%%%%%%%%%%%%%%%%%%%%%% for i 1:M for j 1:N if K i,j 1 T1 1 T1 1 +cA i,j ;T1 2 T1 2 +cH i,j ;T1 3 T1 3 +cV i,j ;T1 4 T1 4 +cD i,j ; …………….. 3 进行迭代 while abs e_old-e_new 0.00001 times times+1; e_new; e_old e_new; e_