基于支持向量机的小波分解的图像模糊分类方法

针对模糊图像的分类问题，提出了一种基于支持向量机的小波分解的图像模糊分类方法。采集样本后，首先，对图像进行灰度处理，其次对图像进行小波分解，获取第二层的水平、垂直、对角三个方向的信息，之后对图像进行傅里叶对数变换，得出三个方向的频谱信息，随即利用合适的阈值对频谱图像进行二值化，然后对频谱中的连通域边框标记处理，计算长宽比，以长宽比作为训练标准进行网络训练。实验结果表明，该方法能够大大减少模糊图像分类的计算量，在对模糊图像进行处理和分类时有很高的准确度。

图像处理技术在我们的日常生活中已得到广泛应用，大量的图像信息的处理为我们的生活带来极大方便。在日常拍摄图像时，可能产生模糊图像的情况，模糊图像主要分为离焦模糊和运动模糊。模糊图像会导致图像质量变差，让我们在得到图像信息时会产生难度。判断图像的模糊类别后可以更便捷的对模糊图像进行恢复。

至今为止，在判断模糊图像类别方面有许多学者进行过研究，提出许多关于判断模糊图像类别的方法，例如：毛建旭等采用基于小波基函数神经网络的图像分类器[1]；林光忠等提出了一种基于图像奇异值分解与傅里叶变换相结合的方法[2]；禹晶等提出了一种基于频域零值的散焦与运动模糊模型参数求解的过程[3]；王冠军等提出一种结合图像二次模糊范围和奇异值分解的无参考图像质量评价方法[4]；李涛等提出了KDL 图像分类模型，基于DSD 算法进行改进，提出基于卷积神经网络的图像分类模型[5]；沈新宇等提出了基于直推式支持向量机的图像分类算法[6]；Shmik Tiwari 等采用脊波变换和前馈神经网络进行模糊分类，将前馈神经网络应用于模糊图像分类中[7]。

现有模糊图像的识别与分类技术往往具有计算繁琐、计算量大等弊端，较大的计算量会为生活中该技术的应用带来不便。本文提出一种基于支持向量机的小波分解的模糊图像分类方法。该方法能够大大减少模糊图像分类的计算量，提高模糊图像分类的速度和准确率，为后续的模糊图像复原等提供技术支持。

本文结构如下，第二部分介绍模糊图像小波变换的频谱特点；第三部分介绍本文结合支持向量机的算法；第四部分介绍识别结果；最后对全文进行总结。

2. 数字图像的小波变换与模糊图像的频域特征 2.1. 图像特征 将( )2LR 空间的任意函数( )f t 在小波基下展开，小波变换式为[8]： ()( )1, dftWTaf ttaaττψ−=∫