基于支持向量机的图像分类研究.docx
- 文档编号:1283859
- 上传时间:2022-10-20
- 格式:DOCX
- 页数:16
- 大小:382.51KB
基于支持向量机的图像分类研究.docx
《基于支持向量机的图像分类研究.docx》由会员分享,可在线阅读,更多相关《基于支持向量机的图像分类研究.docx(16页珍藏版)》请在冰豆网上搜索。
基于支持向量机的图像分类研究
目录
摘要1
Abstract2
1引言3
1.1概述4
1.2统计学习理论5
1.3支持向量机及其发展简史5
1.4研究内容及其现实意义7
2持向量机模型的建立7
2.1SVM核函数8
2.2核函数的选择8
2.3SVM算法简介8
2.4SVM学习算法的步骤10
3图像内容的描述及特征提取10
3.1图像内容的描述模型10
3.2颜色特征的描述10
3.2.1颜色的表示和颜色模型11
3.2.2颜色直方图12
3.2.3累积颜色直方图12
3.2.4主色12
3.3纹理特征的描述12
4基于SVM的图像分类方法研究13
4.1分类系统的结构13
4.1.1特征提取模块14
4.1.2SVM分类模块14
4.2特征提取策略14
4.3实验15
4.3.1三种核函数的选择比较实验15
4.3.2基于颜色特征的图像分类17
4.3.3基于纹理特征的图像分类17
4.3.4基于综合特征的图像分类18
5结论18
参考文献19
摘要
支持向量机(SVM)方法是建立在统计学习理论基础之上的,克服了神经网络分类和传统统计分类方法的许多缺点,具有较高的泛化性能。
但是,由于支持向量机尚处在发展阶段,很多方面尚不完善,现有成果多局限于理论分析,而应用显得较薄弱,因此研究和完善利用支持向量机进行图像分类对进一步推进支持向量机在图像分析领域的应用具有积极的推动作用。
本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响。
对支持向量机在图像分类中的应用作了较全面的研究。
对三种核函数进行了对比实验,实验表明二项式核函数较高斯核函数和sigmoid核函数具有更强的泛化能力;同时,通过实验分析了特征选取对向量机性能的影响,发现综合特征有利于分类效果的提高。
在以上研究的基础上,我们建立了一个基于svM的图像分类实验平台,讨论了系统的组成模块和功能,给出了一些图像分类实例,并验证了前述理论研究的结果。
关键词:
统计学习理论支持向量机图像分类特征提取
Abstract
Thesupportvectormachine(SVM)methodisbasedonstatisticallearningtheoryfoundation,overcometheneuralnetworkclassificationandtraditionalstatisticalclassificationmethodoffaults,andhashighgeneralizationperformance.But,becausethesupportvectormachine(SVM)isstillinthedevelopmentstage,manystillnotperfect,theexistingresultsmorelimitedtothetheoreticalanalysis,andtheuseofappearmoreweakandthereforestudyandimprovetheuseofsupportvectormachinestoimageclassificationsupportvectormachinetofurtheradvanceintheapplicationofimageanalysisplayapositiveroleinpromoting.Thispaperstudiestheimagecolor,texturefeaturesontheuseofsupportvectormachinewastheinfluenceofimageclassification.Tosupportvectormachine(SVM)imageclassificationintheapplicationofacomprehensive.Threekindsofkernelfunctiontothecontrastexperimentandthesimulationresultsshowthatthebinomialkernelfunctionisgaussiankernelfunctionandsigmoidkernelfunctionisofstrongergeneralizationability;Atthesametime,throughtheexperimentalanalysisthefeatureselectionofvectormachineperformance,theeffectsofthecomprehensivefeaturesfoundtotheimprovementoftheclassificationresults.Intheabovethebasisofthestudy,wesetupasvMbasedontheimageclassificationexperimentalplatform,discussthesystemcompositionmodulesandfunctions,andgivessomeimageclassificationexamples,andverifiedthetheoryresearchresults.
Keywords:
statisticallearningtheorysupportvectormachineimageclassificationfeatureextraction
1引言
1.1概述
随着信息社会的到来,人们越来越多的接触到大量的图像信息。
每天都有大量的图像信息在不断的产生(如卫星、地质、医疗、安全等领域),这些图像信息的有效组织和快速准确的分类便成了人们亟待解决的课题。
图像分类就是利用计算机对图像进行定量分析,把图像中的每个像元或区域划归为若干类别中的一种,以代替人的视觉判读。
图像分类的过程就是模式识别过程,是目视判读的延续和发展。
本文提出了一种利用支持向量机(SupportVectorMachine,简称SVM)的图像分类方法。
支持向量机是在统计学习理论基础上发展起来的一种机器学习方法。
基于数据的机器学习是现代智能技术中的一个熏要方面,研究的实质是根据给定的训练样本求对某系统输入输出之间依赖关系的估计,使它能对未知输入作出尽可能准确的预测和估计。
现有的机器学习方法的重要理论基础之一是统计学。
传统统计学研究的是样本数目趋于无穷大时的渐进理论,现有学习方法也多是基于此假设。
但在许多实际问题中,样本数往往是有限的,并且有时候还不知道数据之问内在相关性,因此常常使得一些理论上很优秀的学习方法在实际中表现却差强人意。
随着统计学习理论(StatisticalLearningTheory,简称SLT)的提出,以及在其基础上发展起来的支持向量机的出现,越来越受到广泛的关注和重视,这使得传统的统计学受到了前所未有的挑战口。
1.2统计学习理论
与传统统计学相比,统计学习理论是一种专门研究小样本情况下学习规律的理论。
V.Vapnik和chervonenkis等人从六、七十年代开始致力于此方面的研究,他们做了大量开创性、奠基性的工作,这些工作主要是纯理论性的,故当时未引起人们的重视。
在此后的二十多年里,涉足这一领域的人不多。
直到九十年代,它一直是作为一种针对有限样本的函数预测问题的纯理论分析工具。
虽然早期的统计学习理论提出了VC维理论,为衡量预测模型的复杂度提出了有效的理论框架。
但它仍然是建立在经验风险最小化原则基础上的,即:
以训练的平均误差为最小的模型作为期望的最终模型。
直到九十年代中期,Vapnik和他的At&TBell实验室小组提出了基于该理论设计的SVM,在解决一系列实际问题中获得成功,表现出了优良的学习能力,尤其是泛化能力,SVM的提出进一步丰富和发展了统计学习理论,使它不仅是一种理论分析工具,还是一种能构造具有多维预测功能的预测学习算法的工具,使抽象的学习理论能够转化为通用的实际预测算法。
这标志着该理论的发展和成熟,同时,也由于神经网络等学习方法在理论上缺乏实质性进展,统计学习理论开始受到越来越广泛的重视。
目前,有关这一理论及其应用的研究正在快速发展。
统计学习理论是建立在一套较坚实的理论基础之上的。
它的主要内容包括:
经验风险最小化标准统计学习的一致性条件:
在这些条件下关于统计学习方法推广性的界的结论;在这些界的基础上建立的小样本归纳推理准则;实现新的准则的实际方法。
其中,核心内容是:
VC维;推广性的界和结构风险最小化。
它为解决有限样本学习问题提供了一个统一的框架。
并有望帮助解决许多原来难以解决的问题(比如神经网络结构选择问题、局部极小点问题等);同时,在这一理论基础上发展了一种新的通用学习方法一一支持向量机(SVM),它已表现出许多优于已有方法的性能。
1.3支持向量机及其发展简史
早在六十年代,SVM的奠基人V.Vapink就开始了统计学习理论的研究。
1971年,V.Vapink和Chervonenkis在“TheNecessaryandSufficientConditionsfortheUnifomsConvergenceofAveragestoExpectedvalues,一文中,提出了SVM的一个重要的理论基础--VC维理论。
1982年,在“EstimationofDependencesBasedonEmpiricalData”一书中,V.Vapnik进一步提出了具有划时代意义的结构风险最小化原理,为SVM奠定了直接的、坚实的理论基础。
1992年,B.Boser,T.Guyon和V.Vapnik,在“ATrainingAlgorithmforOptimalMarginC1assifiers”一书中,提出了最优边界分类器,由此形成了SVM的雏形。
SVM的提出被认为是机器学习的一个重要革新。
1993年,Cortes和Vapnik,在“TheSoftMarginclassifier”一文中,进一步探讨了非线性最优边界的分类问题。
1995年,Vapnik在“TheNatureofstatisticalLearningTheory”一书中,完整地提出了SVM分类。
1997年,V.Vapnik,S.Gokowich和A.Smola,发表的“SupportVectorMethodforFunctionApproximation,RegressionEstimation,andsignalProcessing”,一文中,详细介绍了基于SVM方法的回归算法和信号处理方法。
1998年,Smola在他的博士论文中详细研究了SVM中各种核的机理和应用,为进一步完善SVM非线性算法做出了重要的贡献。
l999年,B.Schokopf和S.Mika等人在“InputSpaceVersusFeatureSpaceinKemel-BasedMethods”一文中提出了将核变换和核技巧用于空间变换。
同年,B.scholkopf,C.J.C.Burges和A.J.Smola在“AdvancesinKemelMet
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 支持 向量 图像 分类 研究