1、計算機視覺是一門研究如何使用機器來觀察、理解世界的科學(xué)，尤其在這信息技術(shù)快速發(fā)展的時代，用計算機視覺技術(shù)對圖像信息進(jìn)行處理、分析顯得尤為重要。圖像分割是圖像分析、理解和識別的基礎(chǔ)，分割效果直接決定了后續(xù)圖像分析和識別的性能。圖像分類是圖像處理領(lǐng)域的一部分，是在圖像分割基礎(chǔ)上進(jìn)一步對圖像分類、識別的研究。目前，已產(chǎn)生了很多圖像分類算法，其中基于神經(jīng)網(wǎng)絡(luò)的圖像分類算法應(yīng)用最為廣泛。但由于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在處理圖像分類時存在迭代次數(shù)多、易陷入

2、局部最優(yōu)等問題，嚴(yán)重影響了其發(fā)展及應(yīng)用。而極限學(xué)習(xí)機是一種新的機器學(xué)習(xí)算法，由于其可調(diào)參數(shù)少，學(xué)習(xí)速度快以及良好的泛化性能等優(yōu)點，正日漸受到眾多研究學(xué)者們的青睞，但目前鮮有將其應(yīng)用于圖像處理領(lǐng)域的文獻(xiàn)報道。本學(xué)位論文將圖像分類識別作為研究重點，在圖像中引入最新理論成果——極限學(xué)習(xí)機(ELM)，發(fā)現(xiàn)了一種基于ELM的新型圖像分類識別算法。
　　論文主要分為三部分:第一部分介紹了圖像研究背景、意義及研究現(xiàn)狀;第二部分介紹了核主成分分析

3、(KPCA)理論，針對KPCA的缺點，采用分塊KPCA算法，同時用蟻群算法優(yōu)化KPCA參數(shù)，對圖像進(jìn)行特征提取，最后用極限學(xué)習(xí)機分類器對圖像進(jìn)行分類;第三部分介紹了壓縮采樣理論及兩類壓縮采樣問題，利用壓縮采樣技術(shù)優(yōu)化極限學(xué)習(xí)網(wǎng)絡(luò)的輸入?yún)?shù)和隱層節(jié)點，最后通過仿真實驗證明了該優(yōu)化網(wǎng)絡(luò)的可行性及有效性。本文創(chuàng)新點如下:
　　(1)KPCA作為一種全局方法，對樣本進(jìn)行特征提取時考慮的是樣本的整體信息，沒考慮到其局部特征信息。當(dāng)局部特征很

4、重要時，比如光照不同的情況下，使用KPCA進(jìn)行特征提取可能會丟掉一些很重要的局部信息。為此，提出了一種改進(jìn)的KPCA方法——分塊KPCA(MKPCA)策略，其基本思想是先將樣本分成幾個塊，之后使用KPCA對每一個塊提取特征。
　　(2)在KPCA算法中需給定一個核函數(shù)，該核函數(shù)可能會存在一個或幾個核參數(shù)，不同參數(shù)值的選擇會影響到特征提取結(jié)果以及最終實驗結(jié)果的優(yōu)劣。因此，核方法中最重要的問題是核參數(shù)選擇問題。提出采用粒子群優(yōu)化算法優(yōu)