摘要
指纹唯一性和终生不变性的特征使其成为理想的身份确认工具。随着计算机与信息处理技术的飞速发展，指纹识别作为是生物特征识别领域中应用最广泛的技术之一，目前普遍应用于身份验证和识别领域，特别是在电子商务、犯罪识别、信息安全等领域广泛的应用。指纹分类为指纹识别提供了捷径，因此对自动指纹分类的研究具有重要的学术价值和实用价值。
指纹分类技术为大型指纹数据库提供了一种重要的索引机制。指纹图象被划分到预先设定的某个类别，这样匹配工作就可在一个子类中进行，从而大大节省运算和匹配时间。本课题在以前分类的基础之上提出了一种新的指纹图像分类方法，即基于模式与结构相结合的方法。先根据有无核心点把指纹图像分成了普通弓型指纹和待识别型指纹，实现一级分类；再基于BP神经网络分类器，把待识别型指纹分为帐弓型、左旋型、右旋型、斗型指纹，实现第二级分类。
基于理论分析的基础上，我们利用MATLAB对整个指纹分类过程进行了编程。实验结果表明，我们能有效地执行指纹分类，具有一定的实用价值。
关键词：指纹分类、核心点、方向信息、特征提取、BP神经网络。
Abstract
Fingerprint recognition technology is one of the most significant and reliable identification methods as it is unique and invariable. With the development of computer science, fingerprint recognition has extensive outlook servicing people. It is widely used in the field of international trade, criminal act and a course of justice. So the research of an automatic fingerprint identification system (AFIS) has important technical value and practical value.
Fingerprint classification provides indexing mechanism for a large fingerprint database. Fingerprint image is classified into predefined categories. It can greatly reduce matching time because the matching is implemented in a sub-category. The subject on the basis of the previous classification propose a new fingerprint classification method which is a combination of the model-based and the structure-based. Firstly, we devide the fingerprint into an arch an waiting recognized fingerprint under the core which they exist to achieve a classification. Based on BP Neural Network Classifier ,we devide the waiting recognized finger images into Tented Arch 、Left Loop 、Right Loop and Whorhl, achieving the seond-classification.
Based on the theoretical analysis foundation, I used MATLAB to carry on the programming to the entire fingerprint classification process. Experimental results show that we can effectively implement fingerprint classification . They have some practical value .
Keywords: Fingerprint classification, Core ,Information direction, Feature extraction, BP Neural Network
目录
引言 (1)
第一章绪论 (3)
1.1 指纹分类研究现状 (3)
1.2 指纹图像获取 (4)
第二章指纹图象的特征 (6)
2.1 指纹图象特征的概述 (6)
2.2 指纹图象的加强 (7)
2.3 指纹方向信息的提取 (8)
2.4 指纹核心点的提取 (12)
2.5 指纹图象特征的提取 (16)
第三章 BP神经网络 (19)
3.1 人工神经网络的概述 (19)
3.1.1 人工神经网络的基本概念 (19)
3.1.2 人工神经网络的发展 (19)
3.1.3 人工神经网络的基本特征 (21)
3.1.4 人工神经网络的分类 (22)
3.1.5 人工神经网络的研究及应用 (23)
3.2 BP神经网络的结构 (24)
3.3 BP神经网络的计算公式 (25)
3.4 BP神经网络算法的实现 (28)
3.5 BP神经网络的检验 (29)
第四章指纹图像的分类 (30)
4.1 指纹分类概述 (30)
4.2 指纹的分类 (30)
4.2.1 基于模式的指纹分类 (31)
4.2.2 基于模式与结构相结合的方法 (32)
4.3 指纹分类算法的实现 (33)
4.4 指纹分类结果及分析 (39)
结论与展望 (41)
参考文献 (42)
附录 (44)
致谢 (53)
引言
随着时代的发展，人们之间的交流日益增多，人口在地域间的流动也更加频繁，同时，依赖于信息技术的不断进步，人们相互之间的沟通方式发生了很大的变化，电子化、网络化的趋势已是不可避免。公安、金融、医疗、电子商务、通信等行业或部门每天都要处理各种各样的身份认证工作，因此取得高度准确的自动个人身份认证的能力变得日益重要。
当前，生物特征识别（Biometrics）已经成为自动身份认证领域的主要研究方向。传统上，人们习惯采用基于密码或身份卡的身份识别方式，但这些方法有其固有的不足：密码可能被窃取、忘记；身份卡可能丢失、被盗等。由于人体的生理特征具有不可复制的特点，人们把目光转向了生物识别技术，希望可以籍此来克服这些缺点。生物识别技术是指利用一个人固有的生理或行为特征进行自动的身份认证。只有满足以下几个条件的生理或行为特征才能被用做生物识别特征：1）普遍性。即每个人都要具备这种特征。2）唯一性。即不同的人应该具备不同的这种特性。3）持久性。即这种特征不随时间地点的改变而变化。4）可采集性。即该特征可以被定量地测量。研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。基于这些特征，人们发展了指纹识别、人脸识别、语音识别、虹膜识别等多种生物识别技术。
指纹识别是目前最流行、最方便而且比较可靠的个人身份认证方法之一。相对于其它身份鉴定技术，例如语音识别、人脸识别及虹膜识别等，自动指纹识别是一种更为理想的身份确认技术，其原因如下：
1) 每个人的指纹是独一无二的，两人之间不存在完全相同的指纹。
2) 每个人的指纹是相当固定的，很难发生变化。例如，指纹不会随着人的年
龄的增长或身体健康程度的变化而变化，而人的声音却有着较大的变
3) 便于获取指纹样本，易于研制开发识别系统，实用性强。目前已有标准的
指纹样本库，方便了识别系统的软件开发测试。另外，识别系统中完成指纹采样功能的硬件部分也较易实现，而对于视网膜来说则难于采样，也无标准的视网膜样本库供系统软件开发使用，这就导致视网膜识别系统的开发可行性较低。
4) 指纹识别中使用的模板并非最初的指纹图，而是从中提取的关键特征，这样系统所需的模板库的存储量较小。另外，对输入的指纹图提取关键特征后，可以大大减少网络传输的负担，便于实现异地确认，充分利用计算机网络技术。
早在公元前 7000 到 6000 年，古亚述人和古中国人就开始使用指纹进行身份鉴别。目前在公安、司法等领域中，指纹识别在疑犯查找、身份确认等方面已经发挥着巨大的作用。传统的指纹专家人工查找的方法，已不适应现代生活的需要。人们迫切要求能有一套自动指纹分类、识别系统来帮助人们管理、处理和识别指纹。随着图像处理、模式识别和计算机科学等学科的飞速发展，自动指纹分类识别技术取得了很大进步。大约在 20 世纪 70 年代，美日等发达国家先后开始研究自动指纹识别系统(Automated Fingerprint Identification System) 简称AFIS。目前国内已建起了几个相当规模的全国性的指纹处理中心。虽然在过去的 30 多年中已取得很大进展，但 AFIS 仍是国内外模式识别研究中的热点之一，许多问题还有待解决，特别是指纹分类问题，还是比较活跃的一个研究方向。每年在 IEEE PAMI 和 PR 杂志上都有不少关于指纹方面的文章，国内外众多的大学和科研机构都投入大量人力进行这方面的研究工作，这也足以看出指纹识别系统的重要性。
指纹分类技术是指纹识别研究的一个重要组成部分。如果能有效合理的实现指纹的分类，那么指纹识别时只需到特定的类别中进行匹配就行。这样就极大的减少了指纹识别的时间，从而提高了指纹识别的效率。本课题做的正是指纹的分类，它为指纹识别的研究奠定了基础。所以开设本课题是有实用价值的。
第一章绪论
1.1 指纹分类研究现状
从 20 世纪 70 年代以来，人们在自动指纹识别研究领域投入了很大的精力，并取得了很多研究成果。到目前为止，大量的警用和民用自动指纹识别系统已在世界上很多国家安装并投入使用。其中较著名的从事指纹识别研究、开发的公司有 NEC、Veridicom、UNISYS，BiometricAccess，Identicator 等。国内也已经先后建立了几个国家级的指纹处理中心，很多公安司法机关采用的都是 NEC 的指纹识别系统，该系统性能优异，结构紧凑，处理速度快，能够查询 100 万以上的指纹库。
早期的指纹系统由于规模小，查询时间短，因此也就不需要指纹分类技术。但近些年来，随着指纹数据库的规模不断扩大，特别是计算机网络的普及，指纹分类技术得到了越来越多的重视。在该领域中比较活跃的研究机构或大学有美国国家标准局视觉图象处理研究组(NIST Visual Iamge Processing Group)、IBM 沃特森研究中心(IBM TJ Watson Research Center)、意大利 Bologna 大学的生物识别技术系统实验室（Biometrics Systems Lab）、加州理工学院等。这其中特别值得一提的是密歇根州立大学(Michigan State University)的模式识别与图像处理实验室(Pattern Recognition and Image Processing Lab)。他们的指纹识别研究小组在著名学者 Anil K. Jain 的领导下，在国际知名的学术会议如ICPR，CVPR 和学术刊物，如 IEEE Trans. on PAMI, Pattern Recognition 上发表了大量的有价值的论文，并取得了较为丰硕的成果。目前，国内的工作侧重于针对应用开发，而在国际会议与期刊上发表的理论成果较少，特别是在指纹分类方面，发表的有关文章更是寥寥无几。虽然指纹识别问题已历经 30 多年的研究，并取得了很多重大进展，但仍然有一些问题尚待研究，特别是在指纹分类方面，很多关键问题仍有待深入研究，最主要的表现为如下几点：1）图像预处理。实际上，我们获得的指纹图像有很大一部分是低质量的。指纹图象预处理能够使受损的指纹图像中恢复真实的脊结构信息。过去提出的指纹预处理算法的性能离人们的要求仍有一定的差距。设计一个对各种类型的恶化指纹图像都很鲁棒的特征提取算法是一个很有挑战性的课题。
2）奇异点提取。目前绝大多数的指纹分类算法都是基于指纹的奇异点的提
取统计方法利用奇异点进行定位，而模型方法则利用奇异点进行判决分类。但奇异点提取有很多困难，特别是在指纹图象质量比较恶劣的条件下，这一问题还没得到很好的解决。
3）分类标准。目前的指纹分类标准是基于指纹专家的经验制定，很难用计算机算法语言进行描述和实现。同时指纹分类的类别数目偏少，对提高性能的作用有限，需要研究新的稳定的分类信息。而且实践表明，当前的分类标准从模式空间来看，类间相似度大，类内相似度小，很多图像的类别有二义性甚至多义性。这些问题都有待进一步研究。
1.2 指纹图像获取
指纹图像获取是指通过指纹采集设备获取手指表面上的凹凸信息转化为数字图像的过程。指纹图像的采集方式分为脱机扫描(off-line)和活体扫描(live-scan)两种。脱机扫描如采集罪犯作案现场的指纹，采集在纸质或其他材料上的手指印痕。活体扫描是指手指放在联机的传感器上采集指纹，活体扫描中使用的传感器在近年来取得了许多技术革新，目前市场上主要的传感器类型有光学传感器、固态传感器和超声波传感器三种。
光学传感器利用光的全反射原理(FTIR)，光线照到压有指纹的玻璃表面，CCD 获取反射光线绘制指纹图像，反射光的数量取决于压在玻璃表面的指纹的纹脊和纹谷的深度和皮肤与玻璃间的油脂。光学传感器是目前指纹采集中用得最普遍的传感器，光学传感器采集的图像质量较好，成本低，比较耐用;缺点是采集设备体积大，图像质量容易受到手指干湿程度的影响。固态传感器采用微型晶体阵列通过多种技术绘制指纹图像。最常见的固态传感器是电容传感器，其表面是电容阵列，手指放在上面时，皮肤组成电容阵列的另一极，电容的电量随纹脊和纹谷相对于传感器表面的距离而变化。另一种固态传感器是压感式传感器，其表面是具有弹性的压感介质材料，它们依照指纹表面纹脊和纹谷的凹凸变化转换为相应的电信号。第三种固态传感器是温度感应传感器，通过感应压在设备上的纹脊和远离设备的纹谷温度的不同来获得指纹图像。固态传感器体积小，耗电量低，尤其适用于嵌入式设备;但容易受到静电的影响，容易被损坏，耐用性和环境适应性较差，成本比光学传感器高。但随着集成电路等技术的发展，性能不断提高，成本逐步下降，被业界普遍看好是未来的主流趋势。
目前对指纹获取技术的研究主要在改进制造采集仪器的工艺方面，以提高获
取的指纹图像的分辨率、面积，增强采集仪器的适应性、耐用性，同时降低其成本及体积、功耗等。
本文中所使用的指纹图象有的是从网上指纹库下载的，另外还有一小部分是从文献资料上剪切的。虽然有些质量不是很好，但能满足本课题的需要。
第二章指纹图象的特征
2.1指纹图象特征的概述
一个指纹是人体手指表面的脊(凸起部分)和谷〔凹下部分)所形成的模式。如图2.1所示，图中深色为脊线，浅色为谷线。
图2-1 指纹是脊和谷所形成的模式
Fig2-1 Fingerprint is modle formed
by ridge and valley
指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。有两类指纹特征可以用来进行指纹的验证:全局特征和局部细节特征。其中总体特征是指那些用人眼直接就可以观察到的特征，这类特征可用于对指纹进行类型判别，因此我们称其为分类特征，而局部特征则指的是指纹上的细节点，因为任何两枚指纹经常会具有相同的总体特征，但它们的局部特征——细节点，却不可能完全相同，因此这类特征可用于对指纹做进一步识别，我们称其为识别特征。本文研究的对象是指纹分类，所以重点对指纹的总体特征进行研究。
1)全局特征
全局特征是指指纹中的脊线和谷线所形成的全局特定模式。除此之外，在全局特征中通常也考虑指纹的核心点(core)和三角点(delta)，它们构成指纹的奇异点。核心点位于指纹纹路的渐进中心，它是指纹中心部位脊线上曲率最大的点，可用于读取或匹配指纹时的参考点。三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的开始之处，如图 2.2所示。另外，指纹的纹数(ridge count)也是指纹的全局特征，即连接核心点和三角点的连线历遍指纹纹路的数目，如图2-3所示。
2)局部细节特征
指纹的唯一性主要由局部细节特征决定。目前，可以用于识别的局部细节特征(岛屿、短脊线、环点等)有150多种，四种类型的基本特征定义为脊末梢点(ridge ending)、分叉点(bifurcation)、孤立点(dot)和小孔(enclosure)(或洞，hole) 。随着识别技术的发展，这些定义被简化或扩充。其它经常用到的细节特征还包括短脊(short ridge)、交叉点((crossing),脊线断裂(ridge breaking)和桥(bridge)等，如表2-1所示。但其中的绝大多数因为采集时的压力以及图像质量等方面的限制，在实际中并不多见。
图2-2 奇异点图例图2-3 纹数
Fig2-2 Figure of singular point Fig2-3 ridge count
表2-1指纹细节特征点示意图
Table 2-1 Detail feature points of fingerprint
2.2指纹图象的加强
由于所获取的指纹图象效果不是很清晰，在日后的特征采集工作中会产生干扰，所以在提取指纹图象特征之前需要对所获取的指纹进行图象加强处理。图像加强是数字图像处理过程中经常采用的一类最基本的方法。为了改善视觉效果或
者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的改善方法或者加强特征的措施称为图像加强。
获取和传输图像的过程往往会发生图像失真，所得到图像和原始图像有某种程度的差别。这种差异如果太大，就会影响人和机器对图像的理解。在许多情况下，人们不清楚引起图像降质的具体物理过程及其数学模型，但却能根据经验估计出使图像降质的一些可能原因，针对这些原因采取简便有效的方法，改善图像质量。本文中所获取的图像信号较弱，使人们无法看清图像的细节，而采用增强对比度的方法可增强图像清晰度。
增强对比度实际是增强原图中的各部分反差。实际中往往是通过增加原图中某两个灰度值之间的动态范围来实现的。简单来说，就是将图象中黑的部分增黑，白的部分增白。
经过上述处理，减少了噪音，增强脊谷对比度，使得图像更加清晰真实，便于后续指纹特征值提取的准确性。指纹图像增强的方法较多，在本文中采取的是直接灰度调整来增强对比度的方法。图 2-4即为采用直接灰度调整获得的增强后的指纹图像。
图2-4 图象增强的前后的对比图
Fig 2-4 Enhanced image contrast to
the original image
2.3 指纹方向信息的提取
指纹图像是一种具有一定纹路走向的多边有向图，纹理性和方向性是它区别于其它图像的显著特征。方向图抽象了指纹脊线与谷线交错平行分布的特点，描述了指纹图像中每一像素点所在的脊线或谷线的切线方向，反映了指纹图像纹理
结构的本质，具有重要的意义。作为一种可以直接从原始灰度图像中得到的有用信息，它的计算一直是指纹识别技术中必不可少的一步。方向图之所以具有如此高的研究价值是因为其具有以下特点：
1.真实性:指纹局部方向图真实地反映了指纹图像最本质的纹形特征，再现了指纹的中心纹线、外围包络线和根基线的形状和走势。
2.渐变性:由于指纹纹线具有缓变性的特点，求出的方向图也不应发生走向的剧变(中心点除外)。
3.抽象性:块方向图是对纹线形状的一种抽象的描述，因此使研究指纹的几何拓扑结构问题得以大大简化。
方向图也可看作是指纹原图像的一种变换表示方法，即用纹线的方向来表示该纹线。方向图分为两种:一种是点方向图，表示原指纹图像中每一点脊线的方向;另一种是块方向图，表示原指纹图像中每一块脊线的大致方向。计算方向图的基本思想是:在原灰度图像中计算每一点(或每一块)在各个方向上的某个统计量(如灰度差、梯度等)，根据这些统计量在各个方向上的差异，确定该点(该块)的方向。因为本文用到的是块方向信息，所以下面我们详细介绍第二种方向图的计算算法。各算法分别如下：
1）预定方向逼近法：
首先计算象素点的方向，得到指纹点方向图后，再求块方向图。该法把指纹图像分成w ×w 大小的块，对每一块计算方向直方图（横坐标为方向取到的N 个值，纵坐标取这些方向的象素个数），方向直方图中的峰值所对应的方向即该块的方向，这样块方向图就计算出来了。由于此法要对指纹图像设定N 个固定方向，将求取的指纹方向逼近为其中的一个，所以会造成提取的指纹方向信息不准确，且该法的计算量大，运行速度缓慢。书中一般不建议使用该方法。
2）Rao 法的改进型算法
算法描述如下：
对指纹图像中每一点（i,j ），求取其梯度，如下式：
(,)(1,)(1,)x i j f i j f i j ?=+--
(2-1) (,)(,1)(,1)y i j f i j f i j ?=+-- (2-2) ),(),(),(22j i j i j i R y x ?+?= (2-3)
),()
,(arctan ),(j i j i j i x y ??=θ (2-4)
这里f(i,j)是指纹图像中第i 行第j 列象素点的灰度值。
将整幅指纹图像分成w*w 大小的块，按下式计算每块的方向：
)))
,(2cos(),())
,(2sin(),(arctan(21),(22222222∑∑∑∑+-=+-=+
-=+-==w i w i u w j w j v w i w i u w j w j v v u v u R v u v u R j i θθ? (2-5)
式中),(v u θ为式(2-4 )求出的象素点的方向，),(j i ?为所求的块方向。
Rao 法的改进型算法主要是考察指纹图象的灰度梯度变化来求取指纹图象的纹线流方向信息。与预定方向逼近法相比，该算法求出的每块图象的方向为连续角，所以提取的指纹图像方向信息的精确程度有明显提高，但由于该算法中包含大量的三角函数运算，仍存在速度较慢的问题，且计算量比较繁重。
这两种方法都存在一个共同的问题：抗噪声能力弱，对指纹图象质量的依赖性大，既当指纹图象质量良好的情况下，选用上述两种算法都能基本正确的提取指纹图象的方向信息。但在对质量较差的指纹图象进行处理的时候，上述两种方法都无法获得一个良好的方向信息，无法满足本文的需要。因此选用了第三种算法。
3）基于Sobel 算子的分块指纹方向信息提取算法。
本方法首先将一幅待处理的指纹图像分别按w*w 分块尺寸分块，在分块求取指纹方向信息时，分块尺寸越大，则此时所求得的方向信息相对更加可靠，对指纹图像中所存在的噪声不敏感，但所求得的块方向信息对指纹图像的实际方向流的拟合度不高，不能够细致的描述纹线的实际走向。随着分块尺寸的减小，算法对噪声的敏感度急剧增加，从而无法在指纹图像质量很差的情况下求取准确、可靠的方向信息，但此时的方向信息对纹线的拟合度很好，能够细致的描述指纹图像中的纹线流的实际走向。我们选取将指纹图象按8*8进行分快效果最佳。然后利用改进的Rao 算法提取方向信息。从而可以提取可靠的纹线方向信息. 本文中的方向信息提取算法的基本思想如下所述:
① 根据不同的分块尺寸对指纹图像进行分块;这里我们将一幅指纹图像按
101202101-????-????-??121000121--??????????8*8分块尺寸进行分块，一幅指纹图象分成了32块。用到的分块程序
是：I （i ，j ）为图象中任一点的灰度值，
Y=I(((i-1)*8+1):((i-1)*8+8),((j-1)*8+1):((j-1)*8+8))
② 然后计算在8*8分块尺寸下的方向信息，.具体的计算方法如下:
采用由L. Hong 等提出的改进的Rao 方法，计算每块指纹图像的方向信息
2222222222(,)2(,)(,)(,)((,)(,))(,)1(,)arctan()2(,)w
w i w j w y x y w w u i w v j w w w
i w j w x x y w w u i w v j w y x V i j u v u v V i j u v u v V i j i j V i j θ?+?+
=?-
=?-?+?+=?-=?-=??=?-?=∑∑
∑∑
式中w 为分块尺寸，(,)x u v ?(,)y u v ?分别为点(u,v)在x 、y
里我们采用Sobel 算子来计算指纹图像的每一点(u,v)的x,y 方向上的一阶偏导， Sobel 算子的水平模板和垂直模板分别为 和 将原始
指纹图像分别与两摸板进行离散卷积，即可求得在x 、y 方向上的一阶偏导，经实验验证，使用Sobel 算子已足以满足实际需要；θ（i ，j ）为(i ，j)块的方向。在计算出每一块的纹线方向后，我们对θ（i ，j ）作如下调整：
如果Vx(i ，j)>0,表明该块的纹线方向为0—π/4或3π/4—π之间，则
θ（i ，j ）=θ（i ，j ）+π/2； （2—9）
如果Vx(i ，j)<0,且Vy(i ，j)>0，表明该块的纹线方向为π/4—π/2之间，则
θ（i ，j ）=θ（i ，j ）+π； （2-10）
如果Vx(i ，j)<0,且Vy(i ，j)<0，表明该块的纹线方向为π/2—3π/4 之间，则
θ（i ，j ）=θ（i ，j ）； （2-11）
在本文中采取这种方法对于选取的低质量指纹图象，也可以快速、准确的提取方向信息，而且由得到的方向信息图可以看出，采用基于Sobel 算子的分块指纹方向信息提取算法提取出来的方向信息，能够比较准确、可靠的描述指纹纹线的实际走向。为后面的指纹特征的提取提供了良好的方向信息，提高了神经网络
输入样本的准确性，从而也为指纹的正确分类提供了前提和可能性。
图2-5 指纹方向信息图
Fig 2-5 The image of the fingerprint
directe information
2.4指纹核心点的提取
指纹的奇异点包括核心点与三角点，本文中只用到核心点，因此只提取了核心点。准确、快速的提取指纹中心点非常重要，它是后面指纹特征提取时极为关键的一步。
人们对指纹奇异点的定义和检测做了大量的研究和分析，提出了可以用纹线方向直方图的方法来检测奇异点；也可以通过三角点检测的方法确定奇异点所在区域，然后利用跟踪灰度纹路的方法来确定奇异点的位置。目前的主流方法是用Poincare 指数法确定奇异点的位置和数目。该方法是将指纹图像看作一个方向场来实现的。同时本论文还对核心点检测法作了简要的描述。
1）核心点（Core）检测法
假设(i,j)为某一图像块，（i-1,j-1）,（i-1,j+1）,（i+1,j-1）,（i+1,j+1）分别为与其相邻的四块，Angle（i,j）为点（i,j）处的方向信息，按逆时针方向求取各块图像方向角差值的累加，即式（2-12）：
Temp=(Angle(i-1,j-1)-Angle(i+1,j-1))+(Angle(i-1,j+1)-Angle(i-1 ,j-1))+(Angle(i+1,j-1)-Angle(i+1,j+1))+(Angle（i+1，j+1）-
Angle（i-1，j+1）（2-12）
可用k
表示任意两个角度的差值，即
k ?= Angle(i-1,j-1)-Angle(i+1,j-1)、Angle(i-1,j+1)-Angle(i-1,j-1)、
Angle(i+1,j-1)-Angle(i+1,j+1)、Angle （i+1,j+1)-Angle(i-1,j+1) 而且定义：
??????????--
2,
k k k k k k ππππ （2-13)
如果Temp 介于s b T T 和之间，则此点为核心点(Core)。在本文中，s b T T 和的值是由试验得到的，即经过k ?上面的变换后，Temp 的值是位于0—π之间的，逐渐减小Temp 的取值范围，观察图象直至观察到核心点为止。此时Temp 所取范围的边界值即为s b T T 和的取值。
由于这种方法检测核心点比较麻烦而且也不准确，对于有些指纹图象甚至找不到，因此本课题不采用这种方法。
2）Poincare 指数算法
这种方法是针对每个小块计算其Poincare 指数值。在用之前我们先对块的方向作下调整，即把块的方向统一归到固定的16个方向上。这16个方向就是把[0，π]分成16等份，如下方式调整：
Q(i,j)=0 Q(i,j)<(/32) Q(i,j)=pi/32 (/32) Q(i,j)< (3/32)
Q(i,j)=2pi/32 (3/32) Q(i,j)< (5/32) Q(i,j)=3pi/32 (5/32) Q(i,j)<(7/3(,)Q i j πππππππ≤???≤???≤?=2)
Q(i,j)=13pi/32 (25/32) Q(i,j)<(27/32) Q(i,j)=14pi/16 (27/32)Q(i,j)<(29/32)
Q(i,ππππ??????????????????????
??≤???≤?j)=15pi/16 (29/32)Q(i,j)<(31/32) Q(i,j)=0 (31/32) Q(i,j)<
ππππ???????????????????≤??≤ （2-14）
然后再计算Poincare 指数值，具体算法如下所述：以点G （i ，j ）所在图像块为中心，将其相邻的8个图像块看作矢量场中的一条闭合曲线，沿顺时针方向计算相邻小块方向的差，如图2-6所示。
图2-6 八邻域Poincare 值计算模板 Fig 2-6 Calculation templates of eight neighborhood poincare value
用（2-15）式判断差值，然后再求和，最后除以2π即得到Poincare 指数值。计算公式如下： ()01(,)2k Poincare i j k φ
π==?∑
,,/2
,,/2,,d if d k d if d d if otherwise δδππδδππδ?
()()()()()()
'',(')',x y x y k O d i d i O d i d i δ=-()'1mod i i N φ=+ （2-18）
上式中，d x (·)，d y (·)是小块中心象素的x, y 坐标。'O (d x (·)，d y (·))
表示以该象素为中点的图像块的方向，用弧度表示。Poincare 指数即为闭合曲线上方向的变化值。Poincare 指数值为1/2时，则该点所在图像块定义为核心块；Poincare 指数值为-1/2时，该点所在图像块定义为三角块。
该算法提取出的实际上是核心点集，里面含有很多伪奇异点。如图2-7所示：
图2-7 不去除边缘伪奇异点的图
Fig 2-7 Image of edge pseudo-singular
Points not removed
下面我们具体分析导致误检测的原因：
(1) 奇异点区域太靠近图像边缘，无法对其进行运算判断。
(2) 奇异点区域纹线断裂严重，模糊不清。
(3) 奇异点区域纹线粘连严重，分不清脊线和谷线，因而无法利用方向特性判断奇异点。
针对以上缺陷，一般我们在做奇异点检测时，可以排除非有效区域对指纹奇异点检测的干扰，同时，根据指纹图像的大小和纹线宽度，应该采用不同的方向块大小。本课题中采用的8×8的方向块，保证了求出的奇异点的正确性。
伪奇异点去除后的结果如图2-7，可以看出，许多伪奇异点已经去除，有效的降低拒识率和误识率，提高检测到的奇异点的可信度。
图2-8 去除边缘伪奇异点的图
Fig 2-8 Image of edge pseudo-singular
Points removed
综上，一幅普通噪声的指纹图像采用Poincare指数法检测奇异点，鲁棒性
是很强的，运算速度快，定位也比较准确。在一般的民用自动指纹识别系统中，由于有条件将指纹采集得足够清晰，因此采用Poincare指数法将是非常有效、实用的，而对于本课题所研究的内容，这种算法完全能满足需要。
2.5 指纹图象特征的提取
指纹的方向信息和核心点提取出来以后，接下来就可以提取指纹图象特征，一般取核心点下方的半圆形区域，将其分为小的扇区；再对每一个小扇区，求其象素点方向的平均值作为该扇区的特征值；最后将这些小扇区的特征值按次序排列作为分类器的输入矢量。
本文中提取的指纹图象特征是采用提取指纹核心点正下方的五行八列的矩阵中的部分方向信息为特征量，具体做法如下：
Q（i，j）为指纹核心点的方向信息，i为横坐标，j为纵坐标。选取（i，j）坐标点为中心，然后选取其正下方的i+2，i+3，i+4，i+5，i+6行与j-4，j-3，j-2，j-1，j，j+1，j+2，j+3列所围成的5行8列的区域内的方向信息为特征量。将这些特征量以行为单位，相邻两行首尾相接，依次顺序放入一个数组中，形成一个40围向量。如：[Q（i+2，j-4）Q（i+2，j-3）……Q(i+2，j+3) ，Q （i+3，j-4）……Q（i+3，j+3），Q（i+4，j-4）、……Q(i+4，j+3)，Q（i+5，j-4）……Q(i+5，j+3)，Q（i+6，j-4）……Q(i+6，j+3)]即为所提取指纹的图象特征。具体提取顺序如表2-2：
表2-2 指纹特征提取顺序表
Table 2-2 Fingerprint feature extraction chronology
注：提取顺序依次为1，2，3……，38，39，40
本科毕业设计（论文） 学生姓名： 专 业： 指导教师完成日期
诚信承诺书 本人承诺：所呈交的论文是本人在导师指导下进行的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发表或撰写过的研究成果。参与同一工作的其他同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 签名：日期： 本论文使用授权说明 本人完全了解南通大学有关保留、使用学位论文的规定，即：学校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容。 （保密的论文在解密后应遵守此规定） 学生签名：指导教师签名：日期：
指纹在生物识别应用中的形式最为广泛，具有唯一性和不变性。指纹增强的主要任务 Gabor 滤波器在指纹增强技术中的应用，并且在此基础上提出了改进算法。仿真显示Gabor 滤波法在指纹增强技术中具有很好的带通特性，也具有很好的方向和频率选择特性。因此，用 滤波法的缺陷，改善指纹图像的滤 摘要是以提供文献内容梗概为目的，不加评论和补充解释，简明、确切地记述文献重要内容的短文。其要素一般包括：①目的——研究、研制、调查等的前提、目的和任务，所涉及的主要范围；②方法——所用的原理、理论、条件、对象、材料、工艺、结构、手段、装备、程序等；③结果——实验的、研究的结果，数据，被确定的关系，观察结果，得到的效果，性能等；④结论——结果的分析、研究、比较、评价、应用，提出的问题，今后的课题，假设，启发，建议，预测等； 写摘要时不得简单地重复题名中已有的信息，要排除在本学科领域中已成常识的内容，要用第三人称的写法。应采用“对……进行了研究”、“报告了……现状”、“进行了……调查”等记述方法，不使用“本文”、“作者”等作为主语。摘要的第一句不要与题目重复；取消或减少背景信息，只表示新情况、新内容；不说空洞的词句，如“本文所讨论的工作是对过去×××的一个极大地改进”、“本工作首次实现了……”、“经检索尚未发现与本文类似的工作”等；此外，作者的打算及未来的计划不能纳入摘要。
基于容的图像检索——累加直方图算法 摘要 随着多媒体、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库、可视信息进行有效的管理成为迫切需要解决的问题，灵活、高效、准确的图像检索策略是解决这一问题的关键技术之一。因此，基于容的图像检索已成为国外学者研究的主要热点问题，并取得了不少的成果。 本文主要对当今热门的基于容的图像检索技术进行了研究，重点对它的算法进行研究。在半年的时间里，通过查阅很多相关的资料，并认真学习了基于容的图像检索的基本理论，特别是深入研究了颜色直方图理论和累加直方图算法，最后在MATLAB平台下编程实现此系统，该系统可以实现基本图像检索的功能，根据用户输入的样本图像来与图像库中的图像进行特征匹配，然后找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 经过对该系统进行反复的调试运行后，该系统所实现的功能基本达到了设计目标，并且运行良好。当用户提供出所要查询的关键图后，系统就可以从用户提供的图像库中检索到与关键图相似的图片并排序返回给用户，达到了预期效果。 关键词：图像检索累加直方图颜色特征 MATLAB
目次 1 绪论 (1) 1.1 国外的研究现状 (1) 1.2 选题意义及本文研究的容 (3) 2 基于容的图像检索的简介 (4) 2.1 基于容的图像检索技术的概述 (4) 2.2 基于容的图像检索的关键技术 (5) 3 基于容的图像检索原理和特点 (6) 3.1 基于容的图像检索的原理及处理过程 (6) 3.2 基于容图像检索的特点 (8) 4 颜色特征理论 (8) 4.1 颜色模型 (9) 4.2 颜色特征提取 (10) 5 直方图理论 (12) 5.1 颜色直方图 (12) 5.2 直方图的矩 (13) 5.3 直方图均衡化算法 (14) 5.4 基于直方图的图像检索技术分析 (14) 6 累加直方图算法 (16) 6.1 累加直方图 (16) 6.2 算法实现 (18) 6.3 改进的局部累加直方图算法 (18)
龙源期刊网 https://www.doczj.com/doc/6a10721235.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其
在借鉴国外相对成熟理论体系与技术应用体系的条件下,国内的增强技术与应用也有了很大的发展。总体来说,图像增强技术的发展大致经历了初创期、发展期、普及期与应用期4个阶段。初创期开始于20世纪60年代,当时的图像采用像素型光栅进行扫描显示,大多采用中、大型机对其进行处理。在这一时期由于图像存储成本高,处理设备造价高,因而其应用面很窄。20世纪70年代进入了发展期,开始大量采用中、大型机进行处理,图像处理也逐渐改用光栅扫描显示方式,特别就是出现了CT与卫星遥感图像,对图像增强处理提出了一个更高的要求。到了20世纪80年代,图像增强技术进入普及期,此时的计算机已经能够承担起图形图像处理的任务。20世纪90年代进入了应用期,人们运用数字图像增强技术处理与分析遥感图像,以有效地进行资源与矿藏的勘探、调查、农业与城市的土地规划、作物估产、气象预报、灾害及军事目标的监视等。在生物医学工程方面,运用图像增强技术对X射线图像、超声图像与生物切片显微图像等进行处理,提高图像的清晰度与分辨率。在工业与工程方面,主要应用于无损探伤、质量检测与过程自动控制等方面。在公共安全方面,人像、指纹及其她痕迹的处理与识别,以及交通监控、事故分析等都在不同程度上使用了图像增强技术。图像增强就是图像处理的重要组成部分,传统的图像增强方法对于改善图像质量发挥了极其重要的作用。随着对图像技术研究的不断深入与发展,新的图像增强方法不断出现。例如一些学者将模糊映射理论引入到图像增强算法中,提出了包括模糊松弛、模糊熵、模糊类等增强算法来解决增强算法中映射函数选择问题,并且随着交互式图像增强技术的应用,可以主观控制图像增强效果。同时利用直方图均衡技术的图像增强也有许多新的进展:例如提出了多层直方图结合亮度保持的均衡算法、动态分层直方图均衡算法。这些算法通过分割图像,然后在子层图像内做均衡处理,较好地解决了直方图均衡过程中的对比度过拉伸问题,并且可以控制子层灰度映射范围,增强效果较好。 20世纪20年代图片第一次通过海底电缆从伦敦传往纽约。当时人们通过字符模拟得到中间色调的方法来还原图像。早期的图像增强技术往往涉及硬件参数的设置,如打印过程的选择与亮度等级的分布等问题。在1921年年底提出了一种基于光学还原的新技术。在这一时期由于引入了一种用编码图像纸带去调制光束达到调节底片感光程度的方法,使灰度等级从5个灰度级增加到15个灰度等级,这种方法明显改善了图像复原的效果。到20世纪60年代早期第一台可以执行数字图像处理任务的大型计算机制造出来了,这标志着利用计算机技术处理数字图像时代的到来。1964年,研究人员在美国喷气推进实验室(JPL)里使用计算机以及其它硬件设备,采用几何校正、灰度变换、去噪声、傅里叶变换以及二维线性滤波等增强方法对航天探测器“徘徊者7号”发回的几千张月球照片进行处理,同时她们也考虑太阳位置与月球环境的影响,最终成功地绘制出了月球表面地图。随后她们又对1965年“徘徊者8号”发回地球的几万张照片进行了较为复杂的数字图像处理,使图像质量进一步提高。这些成绩不仅引起世界许多有关方面的注意而且JPL本身也更加重视对数字图像处理地研究与设备的改进,并专门成立了图像处理实验室IPL。在IPL里成功的对后来探测飞船发回的几十万张照片进行了更为复杂的图像处理,最终获得了月球的地形图、彩色图以及全景镶嵌图。从此数字图像增强技术走进了航空航天领域。 20世纪60年代末与20世纪70年代初有学者开始将图像增强技术用于医学图像、地球遥感监测与天文学等领域。X射线就是最早用于成像的电磁辐射源之一,在1895年X射线由伦琴发现。20世纪70年代Godfrey N、Hounsfield先生与Allan M、Cormack教授共同发明计算机轴向断层技术:一个检测器围绕病人,并用X射线源绕着物体旋转。X射线穿过身体并由位于对面环中的相应检测器收集起来。其原理就是用感知的数据去重建切片图像。当物体沿垂直于检测器的方向运动时就产生一系列的切片,这些切片组成了物体内部的再现图像。到了20世纪80年代以后,各种硬件的发展使得人们不仅能够处理二维图像,而且开始处理三维图像。许多能获得三维图像的设备与分析处理三维图像的系统已经研制成功了,图像处理技术
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
第六章图像分类 遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得客观的地物信息的过程。一般的分类方法可分为两种：监督分类与非监督分类。将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。 4.1 非监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。主要有两方法：ISODATA分类与K-Means 分类。 4.1.1 ISODATA分类 ISODATA是一种遥感图像非监督分类法。全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。操作步骤如下：（1）在主菜单中，选择File→Open Image File，打开待分类图像； （2）在主菜单中，选择Classification→Unsupervised→ISOData； （3）在Classification Input File选择分类的图像文件； （4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）； 图4-1 ISODATA分类参数设置
图像增强方法的研究 摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。在图像处理中，图像增强技术对于提高图像的质量起着重要的作用。本文先对图像增强的原理以及各种增强方法进行概述，然后着重对灰度变换、直方图均衡化、平滑和锐化等几种常用的增强方法进行了深入的研究，在学习数字图像的基本表示与处理方法的基础上，针对图像增强的普遍性问题，研究和实现常用的图像增强方法及其算法，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的适用场合，并对其图像增强方法进行性能评价。如何选择合适的方法对图像进行增强处理，是本文的主要工作，为了突出每种增强方法的差异，本文在Matlab的GUI图形操作界面中集合了四种常用算法的程序，以达到对各种算法的对比更直观和鲜明的效果。 关键词：图像增强直方图均衡化灰度变换平滑锐化
目录 1 图像增强的基本理论 (3) 1.1 课题背景及意义 (3) 1.2 课题的主要内容 (4) 1.3 数字图像基本概念 (5) 1.3.1数字图像的表示 (5) 1.3.2 图像的灰度 (5) 1.3.3灰度直方图 (5) 1.4 图像增强概述 (6) 1.5图像增强概述 (8) 1.5.1图像增强的定义 (8) 1.5.2常用的图像增强方法 (8) 1.5.3图像增强的现状与应用 (9) 2 图像增强方法与原理 (10) 2.1 图像变换 (10) 2.1.1 离散图像变换的一般表达式 (10) 2.1.2 离散沃尔什变换 (11) 2.2 灰度变换 (12) 2.2.1 线性变换 (12) 2.2.2 分段线性变换 (13) 2.2.3 非线性变换 (13) 2.3 直方图变换 (14) 2.3.1 直方图修正基础 (14) 2.3.2 直方图均衡化 (16) 2.3.3 直方图规定化 (17) 2.4 图像平滑与锐化 (18) 2.4.1 平滑 (18) 2.4.2 锐化 (19)
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。
西南政法大学硕士学位论文 面向低质量指纹的图像增强算法研究 导师：贾治辉副教授 作者：向锐 中国·重庆 二零零八年四月
中文摘要 指纹是手指末端正面皮肤上由乳头凸起的摩擦脊线形成的花纹，具有各人各指不同、终身稳定不变的特性。指纹因其蕴涵大量的人身个体信息，而具有很高的人身识别价值。近百年来，人们通过对指纹不懈的研究和探索，逐步对指纹的特征体系有了清晰的认识，并基于此对指纹特征进行了分类，提出了指纹鉴定的科学依据和程序。 目前，指纹识别技术已经在现代生物识别技术中占有相当重要的位置。从实用性和可行性角度看，指纹识别技术能够高效、快捷、方便的自动完成指纹的纹形分类、特征提取、图像的存储、检索以及比对、细节特征匹配等一系列工作，具有方便、高效、客观、安全等诸多优点，优于其它生物识别技术，已被认为是一种理想的身份认证技术。 从20世纪60年代起，计算机技术进入指纹识别、鉴定领域，英国、美国、法国、日本等计算机发达的国家先后研制出各具特色的指纹自动识别系统，为指纹鉴定开辟了新的途径。目前，计算机指纹识别技术已经在司法、金融安全、数字加密、电子商务等各个领域得到了广泛的应用，在我们未来的生活中发挥越来越重要的作用。 近年来，由于数字图象处理学以及硬件技术的迅速发展，指纹识别技术获得相当大的进展，但仍然不能满足社会发展的需要，以指纹识别广泛代替其它识别技术(如印鉴，钥匙，密码，签字)是面向二十一世纪的具有深远意义的课题，有关指纹自动识别技术的研究己成为模式识别、图象处理以及计算机视觉等领域中极为关注的热点。 指纹识别技术通常使用指纹的一般特征来进行种类识别，在种类识别的基础上再对指纹的细节特征进行系统性的比较，然后作出是否同一的判断。它一般都由以下模块组成：指纹图像采集模块；指纹图像预处理模块；特征提取模块；特征匹配模块。其中，指纹图像预处理模块又包括：图像质量评估，图像分割、图像增强、细化、二值化等步骤。 指纹识别技术中，图像增强技术是其中一个非常重要的步骤。如果指纹图像得不到准确、显著的增强，指纹特征就难以被准确提取。许多学者对指纹图像增强方法进行了探讨，其中，Coetzee等使用Marr-Hildreth边缘算子得到指纹灰度图的脊边缘图，提出了采用卷积
在借鉴国外相对成熟理论体系和技术应用体系的条件下，国内的增强技术和应用也有了很大的发展。总体来说，图像增强技术的发展大致经历了初创期、发展期、普及期和应用期4个阶段。初创期开始于20世纪60年代，当时的图像采用像素型光栅进行扫描显示，大多采用中、大型机对其进行处理。在这一时期由于图像存储成本高，处理设备造价高，因而其应用面很窄。20世纪70年代进入了发展期，开始大量采用中、大型机进行处理，图像处理也逐渐改用光栅扫描显示方式，特别是出现了CT和卫星遥感图像，对图像增强处理提出了一个更高的要求。到了20世纪80年代，图像增强技术进入普及期，此时的计算机已经能够承担起图形图像处理的任务。20世纪90年代进入了应用期，人们运用数字图像增强技术处理和分析遥感图像，以有效地进行资源和矿藏的勘探、调查、农业和城市的土地规划、作物估产、气象预报、灾害及军事目标的监视等。在生物医学工程方面，运用图像增强技术对X 射线图像、超声图像和生物切片显微图像等进行处理，提高图像的清晰度和分辨率。在工业和工程方面，主要应用于无损探伤、质量检测和过程自动控制等方面。在公共安全方面，人像、指纹及其他痕迹的处理和识别，以及交通监控、事故分析等都在不同程度上使用了图像增强技术。图像增强是图像处理的重要组成部分，传统的图像增强方法对于改善图像质量发挥了极其重要的作用。随着对图像技术研究的不断深入和发展，新的图像增强方法不断出现。例如一些学者将模糊映射理论引入到图像增强算法中，提出了包括模糊松弛、模糊熵、模糊类等增强算法来解决增强算法中映射函数选择问题，并且随着交互式图像增强技术的应用，可以主观控制图像增强效果。同时利用直方图均衡技术的图像增强也有许多新的进展：例如提出了多层直方图结合亮度保持的均衡算法、动态分层直方图均衡算法。这些算法通过分割图像，然后在子层图像内做均衡处理，较好地解决了直方图均衡过程中的对比度过拉伸问题，并且可以控制子层灰度映射范围，增强效果较好。 20世纪20年代图片第一次通过海底电缆从伦敦传往纽约。当时人们通过字符模拟得到中间色调的方法来还原图像。早期的图像增强技术往往涉及硬件参数的设置，如打印过程的选择和亮度等级的分布等问题。在1921年年底提出了一种基于光学还原的新技术。在这一时期由于引入了一种用编码图像纸带去调制光束达到调节底片感光程度的方法，使灰度等级从5个灰度级增加到15个灰度等级，这种方法明显改善了图像复原的效果。到20世纪60年代早期第一台可以执行数字图像处理任务的大型计算机制造出来了，这标志着利用计算机技术处理数字图像时代的到来。1964年，研究人员在美国喷气推进实验室(JPL)里使用计算机以及其它硬件设备，采用几何校正、灰度变换、去噪声、傅里叶变换以及二维线性滤波等增强方法对航天探测器“徘徊者7号”发回的几千张月球照片进行处理，同时他们也考虑太阳位置和月球环境的影响，最终成功地绘制出了月球表面地图。随后他们又对1965年“徘徊者8号”发回地球的几万张照片进行了较为复杂的数字图像处理，使图像质量进一步提高。这些成绩不仅引起世界许多有关方面的注意而且JPL本身也更加重视对数字图像处理地研究和设备的改进，并专门成立了图像处理实验室IPL。在IPL里成功的对后来探测飞船发回的几十万张照片进行了更为复杂的图像处理，最终获得了月球的地形图、彩色图以及全景镶嵌图。从此数字图像增强技术走进了航空航天领域。 20世纪60年代末和20世纪70年代初有学者开始将图像增强技术用于医学图像、地球遥感监测和天文学等领域。X射线是最早用于成像的电磁辐射源之一，在1895年X射线由伦琴发现。20世纪70年代Godfrey N. Hounsfield先生和Allan M. Cormack教授共同发明计算机轴向断层技术：一个检测器围绕病人，并用X射线源绕着物体旋转。X射线穿过身体并由位于对面环中的相应检测器收集起来。其原理是用感知的数据去重建切片图像。当物体沿垂直于检测器的方向运动时就产生一系列的切片，这些切片组成了物体内部的再现图像。到了20
目录 摘要 (1) 关键字 (1) 1绪论 (1) 1.1 基于内容的图像检索的概念 (1) 1.2 基于内容的图像检索的发展历史 (1) 1.3 基于内容的图像检索的特点和主要应用 (1) 1.4 基于内容的图像检索的关键技术 (2) 1.5 国内外研究现状 (3) 1.5.1 国外研究现状 (3) 1.5.2 国内研究现状 (4) 2 基于颜色特征的图像检索方法 (4) 2.1 颜色度量体系 (4) 2.2 颜色空间 (5) 2.2.1 RGB颜色空间 (5) 2.2.2 HSV颜色空间 (5) 2.2.3 CMY颜色空间 (6) 3 颜色特征的表达 (7) 3.1 颜色直方图 (7) 3.2 累加直方图 (8) 4 图像特征的相似性匹配 (9) 4.1 距离度量方法 (9) 4.2直方图的交集的方法 (9) 4.3 欧式距离法 (9) 5 图像检索算法实现 (10) 5.1程序开发运行环境 (10) 5.2 程序检索逻辑 (10) 5.3 算法具体实现 (11) 5.4 实例演示 (14) 6 全文总结与展望 (15) 6.1 全文总结 (15) 6.2 展望 (15) 致谢 (15) 参考文献 (16) 英文摘要 (16)
基于颜色特征的图像检索算法的实现 摘要：文章介绍了一种基于颜色特征的图像检索技术的算法并给出了程序实现。首先介绍了基于内容的图像检索技术、发展历史及基于内容的图像检索技术的特点和主要应用，并在此基础上探讨了该领域所用到的一些关键技术。文章着重探讨了图像的颜色空间、图像特征提取及图像相似性度量等内容，并利用matlab技术实现了一个简单图像检索的程序。文章最后则对当前基于内容图像检索技术研究热点和今后的发展方向进行简单的阐述。 关键字：基于内容的图像检索；颜色特征；颜色直方图；相似度度量方法 1 绪论 1.1 基于内容的图像检索的概念 基于内容的图像检索[1]（Content Based Image Retrieval, CBIR）是一项从图像数据库中找出与检索式内容相似的图像的检索技术。它利用从图像中自动抽取出来的底层特征，如颜色、纹理、轮廓和形状等特征，进行计算和比较，检索出符合用户需求的结果图像集。目前图像检索系统技术实现的基础是对底层特征信息的计算和比较，也即是“视觉相似”。 1.2 基于内容的图像检索的发展历史 图像检索技术的发展[2]可以分为两个阶段，第一阶段始于70年代，当时的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了。由于图像内容的丰富内涵以及人们对图像内容进行抽象时的主观性不同的人对同一幅图像有不同的理解，这就引入了主观多义，不利于检索。为了克服文本标注检索的弊端，90年代研究者提出了基于内容的图像检索，其方法是:根据图像的颜色特征、纹理特征、形状特征以及空间关系等作为索引，计算查询图像和目标图像之间的相似距离，然后按相似度匹配进行检索，这种技术很大程度地利用了人们的视觉客观特性，避免不同人对图像主观理解的不同而达不到理想的搜索效果。从研究方向的层面来看，基于内容的图像检索可分为三层：第一层是根据图像的底层特性来进行检索，如颜色、纹理，形状等等，涉及图像信息处理、图像分析和相似性匹配技术；第二层是基于图像对象语义，如图像中实体及实体之间的拓扑关系的检索，对象级检索技术建立在下层特征基础上，并引入了对象模型库、对象识别和人工智能等图像理解技术；第三层是基于图像的抽象属性如行为语义，情感语义和场景语义的推理学习来进行检索。需要用到知识库和更加有效的人工智能和神经网络技术。这三个层次由低到高，与人的认知接近，下一个层次通常包含了比上一个层次更高级的语义，更高层的语义往往通过较低层的语义推理获得。尽管经过了多年的研究，较为成熟的基于内容的图像检索技术目前仍处于底层水平，由于底层研究是上层研究的基础，为了给上层建立准确、有效的图像特征提取方法，底层的研究仍在不断的发展。 1.3 基于内容的图像检索的特点和主要应用 基于内容的图像检索技术有以下特点[3]： 一是它突破了传统的基于表达式检索的局限，从媒体内容中提取信息线索。
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
课程设计报告 设计题目：指纹图像的增强 学院：电子工程学院 专业：电子信息工程 班级： 学号： 姓名： 电子邮件： 日期： 2013 年 9 月 成绩： 指导教师：
一、设计概述 1.课程设计题目：指纹图像的增强方法 2.基本要求：读取初始指纹图像，设计程序，实现指纹图像的增强，使指纹的 纹理更加清晰，便于识别。 3.指纹图像增强的意义： 指纹是人类手指末端指腹上由凹凸的皮肤所形成的纹路。指纹能使手在接触物件时增加摩擦力，从而更容易发力及抓紧物件。是人类进化过程式中自然形成的。目前尚未发现有不同的人拥有相同的指纹，所以每个人的指纹也是独一无二。由于指纹是每个人独有的标记，近几百年来，罪犯在犯案现场留下的指纹，均成为警方追捕疑犯的重要线索，使得指纹识别技术得到了飞快的发展，指纹图像的识别也就变得非常具有意义，但是通过传感器等方式获取到的指纹图像往往是比较模糊的，识别率相对较低，此时，指纹图像增强就孕育而生，通过对指纹图像的增强处理，得出了具有较清晰的图像，是识别率更高。 二．设计思路：指纹图像增强的主要步骤及方法 ①读取指纹图像 ②指纹图像灰度化处理 ③指纹图像平滑处理 ④指纹图像的腐蚀处理 ⑤指纹图像的锐化处理 ⑥指纹图像二值化
⑦指纹图像纹理的细化处理 三．具体的处理流程及其分析 1.指纹图像的读取 将通过传感器或者别的方式获取到的指纹图像读取到matlab中；如 .bmp .jpg 等格式的图片文件。 通过matlab实现： I=imread(‘文件路径+图像名.jpg'); 2. 指纹图像灰度化处理 数字图像可分为灰度图像和彩色图像。通过灰度化处理和伪彩色处理，可以使伪彩色图像与灰度图像相互转化；灰度化就是使彩色的R，G，B分量值相等的过程 I=rbg2gray（I） 3.指纹图像平滑处理（此处我们使用的是中值滤波的方法处理） 图像平滑的主要目的是减少图像噪声。图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声、电器机械运动而产生的抖动噪声等内部噪声）。实际获得的图像都因受到干扰而含有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或频率域处理。在空间域中进行时，基本方法就是求像素的平均值或中值；在频率域中则运用低通滤波技术。
图像分类 图像分类技术得益于两种技术的发展，一种是数据库技术，另一种是计算机显示技术。从这两种技术角度来看，图像分类技术可以分为基于文本的图像分类系统和基于图像自身内容的分类系统。 基于内容的图像分类系统 为了克服传统图像分类技术的局限性，人们开始寻求新的图像分类检索方法，于是出现了基于内容的图像分类技术，即使用图像本身的颜色、形状、纹理等视觉特征代替传统的手工填加关键字信息进行分类的技术。 基于内容的分类它直接对图像内容进行分析，抽取特征和语义，利用这些特征和语义进行分类并建立索引，进行检索。 人们已经将研究重点转移到从图像的视觉内容中自动提取图像特征用于分类及检索上，并且已经开发了各类基于内容的图像视频分类检索系统。 其中较著名的有QBIC、Photobook、Foureys等。这些系统主要利用了图像的低层次信息，如颜色、形状、布局、纹理等。 近几年来，基于内容的图像分类检索技术有了长足的发展，主要是基于低层次视觉特征的图像分类检索，比较成功的例子有IBM 公司的QBIC系统等。 但是针对高层次语义特征的图像分类检索系统还没有成熟的产品。在基于内容的多媒体信息分类检索技术研究中，基于理解的文本分类检索已经有比较好的研究成果，但基于视觉特征和语义特征的图像、音视频分类检索尚处于研究开始阶段。 目前，在图像分类方面，还没有比较成熟的算法能够对所有的图像类型都进行有效的分类。 因此研究图像分类的有效算法对于图像检索技术发展具有十分重要的意义。 从不同的角度，图像可以分为不同的类别。 本文将图像根据功能不同分为图标类图像和图片类图像。 图片类图像在分类技术上，采用提取图像的颜色数，主体颜色，色彩的饱和度等图像基本特征的方法， 根据图像低层次的可见特征进行分类。这些种类不同的图像在视觉特征上有较大的区别， 结合因特网中网页的相关文本信息可以实现语义级的分类。 图像的合理分类对提高基于内容的图像检索结果的准确性具有十分重要的作用。 万维网上的图像的类别一般如下 照片类图片(Photograph)特点 照片类图片通常指具有纹理或纹理趋势的实物图片或通过某些专门软件(如photoshop、3D Max等)处理产生的图片。 照片类图片包括照片(从自然界采集或通过扫描得到的图片)、类照片(主要指通过某些专门的图片处理软件生成的图片或计算机游戏的屏幕图片)等。 特点为：图片中使用的颜色数多，颜色逼真、鲜艳，颜色层次丰富，并且颜色之间过渡比较缓慢，能够表现出颜色、 阴影的细微层次变化。都有比较明显的纹理或纹理趋势，边缘一般模糊不清晰，且在大小比率(长*高)上差别也较小。 常用来显示真实的场景。 如果从照片内容上分类，照片类图片可以分为自然景物类和人造景物类图片。自然景物类图片一般颜色比较鲜明，但是纹理趋势不明显，而人造景物类图片中一般为城市高楼、宗教庙宇、室内物件之类的图片，图片中包含的线条比较多，有较明显的纹理趋势。 图画类图片(Graphic)特点 图画类图片通常都是具有良好边界的设计图片，它一般是通过绘图软件或是手工绘制而成。 图画类图片主要包括：卡通画、国画、油画、图表、徽标、艺术字等。与照片类图片相比，图画类图片中使用的颜色数较少，但是区域颜色的饱和度通常都比较高，多使用纯色或是饱和度较高的颜色，并且颜色间的过渡也较照片类图片快，颜色层次单薄。图片中纹理趋势不明显，通常有清晰的线条和光滑的边缘。另外图画类图片在大小比率上差别较大。
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised