图像分类传统方法(图像分类的分类方法)
1.图像分类的分类方法
基于色彩特征的索引技术 色彩是物体表面的一种视觉特性，每种物体都有其特有的色彩特征，譬如人们说到绿色往往是和树木或草原相关，谈到蓝色往往是和大海或蓝天相关，同一类物体往拍几有着相似的色彩特征，因此我们可以根据色彩特征来区分物体.用色彩特特征进行图像分类一可以追溯到Swain和Ballard提出的色彩直方图的方法.由于色彩直方图具有简单且随图像的大小、旋转变化不敏感等特点，得到了研究人员的厂泛关注，目前几乎所有基于内容分类的图像数据库系统都把色彩分类方法作为分类的一个重要手段，并提出了许多改进方法，归纳起主要可以分为两类：全局色彩特征索引和局部色彩特征索引。
基于纹理的图像分类技术 纹理特征也是图像的重要特征之一，其本质是刻画象素的邻域灰度空间分布规律由于它在模式识别和计算机视觉等领域已经取得了丰富的研究成果，因此可以借用到图像分类中。在70年代早期，Haralick等人提出纹理特征的灰度共生矩阵表示法（eo一oeeurrenee matrix representation），这个方法提取的是纹理的灰度级空间相关性（gray level Spatial dependenee），它首先基于象素之间的距离和方向建立灰度共生矩阵，再由这个矩阵提取有意义的统计量作为纹理特征向量。
基于一项人眼对纹理的视觉感知的心理研究，Tamuar等人提出可以模拟纹理视觉模型的6个纹理属性，分别是粒度，对比度，方向性，线型，均匀性和粗糙度。QBIC系统和MARS系统就采用的是这种纹理表示方法。
在90年代初期，当小波变换的理论结构建一认起来之后，许多研究者开始研究 如何用小波变换表示纹理特征。smiht和chang利用从小波子带中提取的统计量（平均值和方差）作为纹理特征。
这个算法在112幅Brodatz纹理图像中达到了90%的准确率。为了利用中间带的特征，Chang和Kuo开发出一种树型结构的小波变化来进一步提高分类的准确性。
还有一些研究者将小波变换和其他的变换结合起来以得到更好的性能，如Thygaarajna等人结合小波变换和共生矩阵，以兼顾基于统计的和基于变换的纹理分析算法的优点。基于形状的图像分类技术 形状是图像的重要可视化内容之一在二维图像空间中，形状通常被认为是一条封闭的轮廓曲线所包围的区域，所以对形状的描述涉及到对轮廓边界的描述以及对这个边界所包围区域的描述.目前的基于形状分类方法大多围绕着从形状的轮廓特征和形状的区域特征建立图像索引。
关于对形状轮廓特征的描述主要有：直线段描述、样条拟合曲线、傅立叶描述子以及高斯参数曲线等等。实际上更常用的办法是采用区域特征和边界特征相结合来进行形状的相似分类.如Eakins等人提出了一组重画规则并对形状轮廓用线段和圆弧进行简化表达，然后定义形状的邻接族和形族两种分族函数对形状进行分类.邻接分族主要采用了形状的边界信息，而形状形族主要采用了形状区域信息.在形状进行匹配时，除了每个族中形状差异外，还比较每个族中质心和周长的差异，以及整个形状的位置特征矢量的差异，查询判别距离是这些差异的加权和。
基于空间关系的图像分类技术 在图像信息系统中，依据图像中对象及对象间的空间位置关系来区别图像库中的不同图像是一个非常重要的方法。因此，如何存贮图像对象及其中对象位置关系以方便图像的分类，是图像数据库系统设计的一个重要问题。
而且利用图像中对象间的空间关系来区别图像，符合人们识别图像的习惯，所以许多研究人员从图像中对象空间位置关系出发，着手对基于对象空间位置关系的分类方法进行了研究。早在1976年，Tanimoto提出了用像元方法来表示图像中的实体，并提出了用像元来作为图像对象索引。
随后被美国匹兹堡大学chang采纳并提出用二维符号串（2D一String）的表示方法来进行图像空间关系的分类，由于该方法简单，并且对于部分图像来说可以从ZD一String重构它们的符号图，因此被许多人采用和改进，该方法的缺点是仅用对象的质心表示空间位置；其次是对于一些图像来 说我们不能根据其ZD一string完个重构其符号图；再则是上述的空间关系太简单，实际中的空间关系要复杂得多。，针对这些问题许多人提出了改进力一法。
Jungert根据图像对象的最小包围盒分别在：x轴方向和y轴上的投影区间之间的交叠关系来表示对象之间的空间关系，随后Cllallg和Jungert等人又提出了广义ZD一string(ZDG一String)的方法，将图像对象进一步切分为更小的子对象来表示对象的空间关系，但是该方法不足之处是当图像对象数日比较多且空间关系比较复杂时，需要切分的子对象的数目很多，存储的开销太大，针对此Lee和Hsu等人提出了ZDC一string的方一法，它们采用Anell提出的13种时态间隔关系并应用到空间投影区问上来表达空间关系。在x轴方向和y轴方向的组合关系共有169种，他提出了5种基本关系转换法则，在此基础上又提出了新的对象切分方法。
采用 ZDC一string的方法比ZDG一string切分子对象的数目明显减少。为了在空间关系中保留两个对象的相对空间距离和对象的大小，Huang等人提出了ZDC书string的方法提高符号图的重构精度，并使得对包含对象相对大小、距。
2.图形的分类有哪些呢
还有平面图，立体图，3d图图形的种类：圆形，长方形，正方形，平行四边形，三角形，梯形；圆柱，圆锥，球形，长方体，正方体。
为了利用中间带的特征，Chang和Kuo开发出一种树型结构的小波变化来进一步提高分类的准确性。还有一些研究者将小波变换和其他的变换结合起来以得到更好的性能，如Thygaarajna等人结合小波变换和共生矩阵，以兼顾基于统计的和基于变换的纹理分析算法的优点。
扩展资料： 实际上更常用的办法采用区域特征和边界特征相结合来进行形状的相似分类，如Eakins等人提出了一组重画规则并对形状轮廓用线段和圆弧进行简化表达，然后定义形状的邻接族和形族两种分族函数对形状进行分类。 邻接分族主要采用了形状的边界信息，而形状形族主要采用了形状区域信息，在形状进行匹配时，除了每个族中形状差异外，还比较每个族中质心和周长的差异，以及整个形状的位置特征矢量的差异，查询判别距离是这些差异的加权和。
参考资料来源：百度百科-图像分类。
3.大家谈谈高分辨率（5米以下）遥感图像的分类的好方法
对于五米以上高分辨率遥感图像分类，目前大致有两种思路。
一是采取一些非参数的分类方法：
因为传统的参数法，一是基于像元，二是基于概率统计。这两条在高分辨率中因为类内方差变大，类间方差变变小，没有明显的聚类中心，存在这明显的重叠。所以考虑一些非参数的方法进行监督分类。比如神经网络（ANN），支持向量机（SVM）等。可以取得比较好的效果，尤其SVM是比较稳健的分类方法。比如ENVI中监督分类就有这两类分类方法。不过ENVI中的神经网络似乎有点问题，不太容易收敛。
另一类方法则是一楼提到的面向对象的分类方法。首先将同质区域进行分割、合并。在合并的基础上进行监督分类。这样的分类精度比较高，而且几乎不会有散点。看起来比较漂亮。比如eCognition软件。
以上两种方法在应对高分辨率影像分类比较有效。
你若是要融合光谱和形状信息的话，则需要更多的知识了。国内外都有人提出一些算法。比如LWEA,PSI等。
欢迎探讨。谢谢
4.图案的分类有哪几种
按所占空间分，有平面图案（如地毯、织锦、刺绣图案）、立体图案 （如家具、陶瓷图案）。
按历史范畴分，有原始社会图案、传统图案、现代图案。
按社会关系分，有宫廷工艺美术图案、民间工艺美术图案。
按工艺美术品的种类分，有青铜图案、陶瓷图案、漆器图案、印染图案、织锦图案、工业造型图案、家具图案、商标图案、书籍装帧图案等。
按装饰手法分，有写实图案、变形图案、具象图案、抽象图案、视觉错图案等。
按图案的结构分，有单独图案、角隅图案、适合图案、边饰图案、连续图案等。
按装饰题材分，有植物图案、动物图案、人物图案、风景图案、器物图案、文字图案、自然现象图案、几何图案以及由多种题材组合或复合的图案。
扩展资料：
基本解释：
(1)有装饰意味的、结构整齐匀称的花纹或图形
(2)圆点花纹的图案
(3)涂鸦作品，T恤衫上的图案
引证解释：
(1)有装饰意味的花纹或图形。以构图整齐、匀称、调和为特点，多用在纺织品、工艺美术品和建筑物上。
鲁迅《书信集·致杨霁云》：“他们最喜欢可以生吞活剥的绘画，或图案，或广告画，以及只有一本的什么‘大观’。”
(2)引申指社会生活的蓝图或缩影。
夏丏尊叶圣陶《文心》八：“在他，这几首诗已不止是空泛的憧憬，简直想认作实际生活的素描的图案了。
参考资料：搜狗百科-图案
