国画特征提取和svm分类应用

《国画特征提取和svm分类应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、国画特征提取和SVM分类应用摘要：为了提高国画检索效率，应用SVM算法对鞍马画、花鸟画、人物画、竹子画和山水画等国画进行分类。首先通过对收集的国画样本进行预处理；其次，利用人眼对颜色的划分特点，把RGB模式图像转化为HSV模式，对其H、S、V分量进行非等间隔量化，组成一维特征向量，同时结合惯性比形成图像颜色特征信息，使用灰度共生矩阵算法获取纹理特征信息；最后，通过对比网格搜索、遗传算法(GA)、粒子群算法(PSO)的参数寻优方法，应用网格搜索法对国画图像进行分类，并对比了BP神经网络和判别分析算法的分类效果，SVM的正确率高达97%以上，试验结果表明SVM在

2、国画分类应用是有效和可行的。关键词：灰度共生矩阵；惯性比；SVM分类；特征提取中图分类号：TP311文献标识码：A文章编号：1009-3044(2013)28-6398-041概述国画是我国古代绘画艺术的沉淀积累，古往今来陆续有大量的名人画作出现。随着信息时代的到来，国画的数字化是一个不可阻挡的趋势，因此，如何对数字化国画进行有效地组织管理、分类以及提高检索效率，实现基于语义的图像检索，是一个崭新且有很大挑战性的前沿课题。合理地按照高阶语义对低阶特征的图像库进行分类，会大大提高基于语义的图像检索效率［1］。首先，根据国画的相似性和差异性，该文拟将国画分为人物

3、、山水、竹子、鞍马和花鸟画这五大类。其次，结合国画图像本身的特点，融合图像的颜色和纹理信息作为分类的基础；最后，采用支持向量机、神经网络等方法进行分类并比较各种方法的分类效果，从而提高国画的检索效率。2基于颜色和纹理的图像特征提取图像特征的选择是任何一个分类系统均需要解决的一个重要的环节，其主要目标是获得最优、最显著有用的特征［1］。艺术家总结出国画语义表达的三大最重要要素是色彩、纹理和形状，它们共同确立了整幅图像的类别。该文主要从前两者进行图像特征提取。2.1图像特征提取2.1.1颜色信息的提取颜色直方图是一种简单、有效的表示图像颜色的方法。然而，在比较两

4、幅图像的相似性时，直方图不是一个量化的指标，而且单纯基于颜色的图像分类方法存在许多不足［1］,因此，我们引用了惯性比这个新的量化特征量来解决这个问题。直方图惯性比［0实验中采用图像的综合特征作为特征向量，对不同的特征向量进行归一化处理，将上述得到的21维特征向量作为SVM的输入矢量，分类结果作为SVM的输出矢量，并随机抽取部分样本对SVM进行训练，最终的分类效果如图2所示：利用上述网格搜索算法进行实验，发现当核函数的参数［C］和惩罚参数［Y］的取值分别为90.5097和0.35355时SVM分类效果最好（如图3所示），准确率为98.928.6%3.2SVM、

5、BP神经网络和判别分析分类准确率对比利用SVM、BP神经网络和判别分析作为分类器对五类纹理进行分类，用剩余的国画图像作为测试集，检验判断的正确率。实验结果如图4所示。从实验结果看，SVM分类效果总体比BP神经网络和判别分析的方法要好，其准确率均接近于100%,达到了9&928.6%的准确率。4总结与展望本文对图像特征提取和SVM分类等算法进行了研究，从最终的分类结果来看，其思想和方法都取得了不错的效果。但作为一个应用型的国画分类项目，很多理论和算法仍需要深入研究。第一，图像特征提取算法是分类系统中最重要和关键的一步，为了提高分类效果，仍要进一步改进图像特征提

6、取的算法。第二，尝试用其他模式分类方法来进行研究。近年来，各种智能算法在模式识别方面得到发展，例如小波变换、遗传算法，因此尝试用不同的算法进行国画分类，找到最合适的国画图像分类方法；第三，该文每一类的国画样本数在一两百之间，且部分样本的SVM分类效果达到了100%,这可能与采集样本数量有一定的关系。因此仍需进一步收集样本来探讨SVM的分类效果。参考文献：[1]陈俊杰，杜雅娟，李海芳•中国画的特征提取及分类[J]•计算机工程与用，2008,15：166-169.[2]杜雅娟•国画特征提取与分类算法的研究[D]•太原：太原理工大学，2008.[3]薄华，马缚龙，

7、焦李成•图像纹理的灰度共生矩阵计算问题的分析[J].电子学报，2006,34(1)：155-158.[4]阮久忠.基于灰度共生矩阵纹理参数的非平面表面粗糙度研究[D].烟台大学，2009.[5]林升梁，刘志.基于RBF核函数的支持向量机参数选择[J].浙江工业大学学报,2007,35(2)：163-167.[6]王健峰，张磊，陈国兴，何学文•基于改进的网格搜索法的SVM参数优化[J].应用科技，2012,3：28-31.