基于SVM的圖像分類.pdf

1、圖像的自動(dòng)分類在許多領(lǐng)域都是一項(xiàng)關(guān)鍵的任務(wù)，其中包括信息檢索、可視場(chǎng)景的目標(biāo)檢測(cè)、因特網(wǎng)數(shù)據(jù)過(guò)濾、醫(yī)學(xué)應(yīng)用等等。當(dāng)直接在圖像上進(jìn)行操作時(shí)，傳統(tǒng)的分類方法由于數(shù)據(jù)的高維特性表現(xiàn)差，很難取得較好的效果。但是支持向量機(jī)(Support VectorMachine，SVM)可以克服極高維表示的缺陷，被廣泛運(yùn)用到圖像分類中去。
　　 由于支持向量機(jī)的分類能力極大地依賴于核參數(shù)的選取，因此，本文著重研究了核參數(shù)選擇方法，并利用不同的顏色、紋

2、理特征對(duì)圖像進(jìn)行分類。
　　 本文所做的主要工作如下：
　　 1.分析了支持向量機(jī)核函數(shù)中各個(gè)參數(shù)對(duì)分類模型的影響，使用網(wǎng)格搜索法、遺傳算法和粒子群算法對(duì)模型中的參數(shù)進(jìn)行了優(yōu)化，比較各方法對(duì)SVM核參數(shù)的尋優(yōu)能力。
　　 2.提出了一種新的核參數(shù)優(yōu)化方法。由于PSO算法的控制參數(shù)大多靠經(jīng)驗(yàn)選擇，沒(méi)有相應(yīng)的理論指導(dǎo)，本文將PSO控制參數(shù)的選值也作為一個(gè)優(yōu)化問(wèn)題，對(duì)PSO的兩個(gè)加速常數(shù)用GA優(yōu)選，對(duì)慣性系數(shù)也作了改進(jìn)

3、，形成一種GA-PSO混合算法。實(shí)驗(yàn)結(jié)果表明，新算法有很強(qiáng)的尋優(yōu)能力，能有效地防止算法陷入局部最優(yōu)。
　　 3.對(duì)彩色圖像在HSV空間使用不同的量化方法提取顏色特征，針對(duì)傳統(tǒng)直方圖丟失顏色空間信息的情況，提出使用一種區(qū)域加權(quán)與顏色矩結(jié)合的顏色特征提取方法。紋理方面，使用灰度共生矩陣法、Tamura方法、Gabor濾波法分別提取出圖像的紋理特征，對(duì)LBP模式的降維進(jìn)行了研究，分析了LBP統(tǒng)一模式的不足，提出一種LBP混合模式與PC