基于支持向量機與神經網絡的圖像分類技術研究

1、國內圖書分類號：TN957.52學校代碼：10213國際圖書分類號：621.396.9密級：公開工學碩士學位論文工學碩士學位論文基于支持向量機與神經網絡的圖像分類技術研究碩士研究生：王侖武導師：冀振元（副）教授申請學位：工學碩士學科：信息與通信工程所在單位：電子與信息工程學院答辯日期：2009年6月授予學位單位：哈爾濱工業(yè)大學哈爾濱工業(yè)大學工學碩士學位論文I摘要統(tǒng)計學習理論(StatisticalLearningThey簡稱SLT)是由

2、AT&TBel實驗室的Vapink及其合作者提出的可應用于小樣本分析的統(tǒng)計理論。支持向量機(SupptVectMachineSVM)是基于統(tǒng)計學習理論和結構風險最小化原理提出的一種有監(jiān)督的機器學習方法，被公認為小樣本情況下統(tǒng)計學習的經典。SVM具有較好的泛化和學習能力，已被廣泛的應用于諸多領域。本文將主要探討在醫(yī)學圖像中應用支持向量機和神經網絡這兩種先進的機器學習方法進行唾液細胞顯微圖像特征提取和分類識別，并且將重點放在支持向量機的分類

3、實現(xiàn)及其與神經網絡分類性能的對比上。主要涉及到的部分包括：圖像預處理、特征提取和特征選擇、兩種分類器的建立、分類識別的實現(xiàn)、性能分析等部分。系統(tǒng)介紹了預處理的方法及其意義以及灰度、紋理、形態(tài)等特征提取方法，并介紹了過濾式(filter)特征選擇和Wrap特征選擇等方法。在仿真試驗中，用matlab實現(xiàn)SVM訓練算法和神經網絡訓練算法，并就處理方式、分類性能進行對比，突出SVM在分類問題中的優(yōu)勢。本文為解決唾液細胞顯微圖像的自動化識別檢測