资源描述：
《基于支持向量机方法的多目标图像分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、基于支持向量机方法的多目标图像分割%%(!%徐海祥朱光喜张翔田金文彭复员%!华中科技大学电子与信息工程系"武汉<(""I<#!!华中科技大学图像识别与人工智能研究所"武汉<(""I<$(%长江大学江汉石油学院"湖北荆州<(<"!($摘要支持向量机方法被看作是对传统学习分类方法的一个好的替代"特别在小训练样本&高维情况下"具有较好的泛化性能’该文采用了支持向量机方法对多目标图像进行了分割研究(实验结果表明)模型参数对支持向量机方法的分割性能有较大的影响对多目标图像的分割"支持向量机方法是一种很有前景的分割技术(关键词多目标图像分
2、割支持向量机统计学习理论文章编号%""!HC((%H!!""#$%#H""%%H"!文献标识码J中图分类号7K(L%$<%!"#$"%&’&()%)+,-&(.&/0#"&1$’#"2’3"4)%5,66)0&7"8&)0+/89(%":660)/89>>BFJ;,,3+N24+9OP02/+394-/.,4QR4O93N,+-94P46-4223-46!S=,T8946U4-V23.-+:9O/-24/2,4Q72/84
3、9096:!W=8,4<(""I<&!%R4.+-+=+29ORN,62X2/964-+-94,4QJ3+-O-/-,0R4+200-624/2!S=,T8946U4-V23.-+:9O/-24/2,4Q72/849096:!W=8,4<(""I<&(%Y-,468,4K2+3902=NR4.+-+=+2!Z,46+T2U4-V23.-+:!Y-46T89=!S=[2-<(<"!(&KL3&0/8&’=>>93+?2/+93@,/8-42,>>39,/8-./94.-Q232Q,699Q/,4Q-Q,+2[2/,=.29O-+
4、.699Q62423,0-T,+-94>23O93N,4/2!2.>2/-,00:824+824=N[239O+3,-4-46.,N>02.-.V23:.N,00,4Q+82Q-N24.-949OO2,+=32.>,/2-.V23:8-68$782>32.24+2Q>,>23-4V2.+-6,+2.+82.26N24+,+-949ON=0+-H+,362+-N,62[,.2Q94=>>93+?2/+93@,/8-42,>>39,/8$P]>23-N24+,032.=0+..89+8,+’+82-4O0=24/29ON9Q2
5、0>,3,N2+23.94+82.26N24+,+-94>23O93N,4/29O=>>93+?2/+93@,/8-42,>>39,/8-..-64-O-/,4++=>>93+?2/+93@,/8-42,>>39,/8-.,>39N-.-46+2/84-^=2O93+82.26N24+,+-949ON=0+-H+,362+-N,62$M"IE)043’.26N24+,+-949ON=0+-H+,362+-N,62!=>>93+?2/+93@,/8-42!+,+-.+-/,012,34-4678293:%法;
6、看作是对传统学习分类方法的一个好的替引言以传统统计学理论为基础的基于经验风险最小化的传统代!特别在小训练样本"高维情况下!具有较好的泛化性能$作学习分类方法!像神经网络方法!在图像分割中得到了广泛的为一种新的学习分类方法!?@方法目前已经在人脸识别"单;ABC)应用&%’()!但其目前遇到了泛化性能差"容易出现过学习与欠学目标图像分割以及目标检测等领域得到了广泛的应用$习等问题!其根本原因在于传统学习分类方法是以最小化经验该文提出了一种用?@方法分割多目标图像的新方法$风险取代最小化期望风险!即渐进理论!但这种取代只有当训为了
7、评价该方法的分割性能!笔者以磁共振脑组织图像作为实练样本数趋于无穷时!最小化经验风险与最小化期望风险之间验样本!将其分割成脑灰质"脑白质"脑脊髓及背景四类目标$的偏差才能达到理论上的最小#然而在实际应用中!训练样本数趋于无穷这一前提条件往往得不到满足!特别当问题处在高!支持向量机维空间时更是如此$!$%两类支持向量机考虑!维两类非线性分类情况;
8、门研究小的训练样本情况下机%"###!&#!DG%!H%F$首先通过一非线器学习规律的理论;<)$该理论针对小的训练样本统计问题建立性映射将输入数据空间映射到高维特征空间’了一套新的理论体系!在这种体系下的统计推理规则不仅考虑""!%"&E%!%%"&!!!%"&!(!!’%
