基于张量分析的不完备图像数据分类方法研究

不完备图像数据集普遍存在于生物医学图像、遥感图像及计算机视觉等应用领域中。针对不完备图像数据，本课题研究基于张量分析的图像分类理论及方法。张量投票(Tensor Voting,TV)方法利用非线性投票技术实现从稀疏数据集中提取符合人类视觉特性的结构，能实现张量表示的不完备数据图像中结构的完备化,但不能对图像进行分类；支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的机器学习方法，已在解决图像分析等复杂问题中取得了一定成效，但对不完备数据的图像分类则无能为力。本课题拟研究张量投票技术和支持向量机方法的本质特性与内在联系，以不完备图像数据为研究对象，在将图像进行张量表示的基础上，利用张量投票技术，结合支持向量机的分类思想，以达到创建不完备图像数据的分类新方法为最终目标。本课题旨在探索不完备图像数据的分类新途径，在不完备图像数据的分类理论和方法上有所突破。