基于加权多特征融合和svm的图像分类研究

《基于加权多特征融合和svm的图像分类研究》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、密级分类号ＵＤＣ编号中钟茲Ａ省幸顾±学位论文基子加权多特征誠合和ＳＶＭ的图像合类研完、学位申请人姓名；霍窥申请学位学生类规；全巧制硕去申请学位专业方向：计算机应巧技未指导教师姓名；全次均教投／Ｓ＾硕壬学位论文＾ＭＡＳＴＥＲＳＴＨＥＳＩＳ硕±学位论文基于加权多特征融合和ＳＶＭ的图像分类研究论文作者：霍莉指誦吊：金巧均教授学科专业：计算机应用技术研究方向：图形图像纽＾华中师范大学计算机学院２０１６年５月硕壬学位论文’ＳＭＡＳＴＥＲＴＨＫ。Ｒ

2、ｅｓｅａｒｃｈｏｎＩｍａｅＣｌａｓｓｉｆｉｃａｔｉｏｎｇＢａｓｅｄ－ｏｎＷｅｉｈｔｅｄＭｕｌｔｉｆｅａｔｕｒｅｓｇＦｕｓｉｏｎａｎｄＳＶＭＡＴｈｅｓｉｓＳｕｂｍｉ村ｅｄｉｎＰａｒｔｉａｌＦｕｌｆｉｌｌｍｅｎｔｏｆｔｈｅＲｅｕｉｒｅｍｅｎｔｓｑＦｏｒｔｈｅＭ．Ｓ．ＤｅｇｒｅｅｉｎＣｏｍｐｕｔｅｒａｐｐｌｉｃａｔｉｏｎ化ｃｈｎｏｌｏｇｙＢｙＬｉｚｈａｉＰｏｓｔｒａｄｕａｔｅＰｒｏｒａｍｇｇＳｃｈｏｏｌｏｆＣｏｍｕｔｅｒｐＣｅｎｔｒａｌＣｈｉｎａＮｏｒｍａｌＵｎｉｖ

3、ｅｒｓｉｔｙＳｕｐｅｒｖｉｓｏｒ：ＨａｎｊｕｎＪｉｎＡｃａｄｅｍｉｃＴｉｔｌｅ：ＰｒｏｆｅｓｓｏｒＳｉｎａｔｕｒｅｇ，ＡｒｏｖｅｄｐｐＭａ．２０１６ｙ硕壬学位论文ＭＡ＇ＳＴＥＲＳＴＨＥＳＩＳ华中师苑大学学侄丈廣创牲若巧和使巧援权说巧居创牲声巧：所呈交的学位论文本人郑重声明，是本人在导师指导下，独立进行研究工作所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中明确方式标明。本声明的法律结果由本人承担

4、。作者签雀：尋＾曰期办备年＾月曰／／学住冷文胶权使用援权书本学位论文作者完全了解学校有关保留、使用学位论文的规定：，即学校有权保留并。向国家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅本人授权华中师范大学可Ｗ将本学位论文的全部或部分内容编入有关Ｗ库进行检索，可Ｗ采用影取缩印或扫描等复制手段保存和汇编本学位论文。同意华中师范大学可Ｗ用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。作者签；ｇ：ｍ导师签知曰期：２Ｗ《年《月曰曰期苗Ｏｆｉ年月之方／占本人＂＂已经认真阅读ＣＡＬＩＳ髙校学位论文

5、全文数据库发布章程，同意将本人的＂＂＂＂学位论文提交ＣＡＬＩＳ髙校学位论文全文数据库中全文发布，并可按章程中的一：□半年□二年发布。规定享受相关权益。同意论义提专后滞后年：□：迸每作者签义：盤辯导师签名９期：２Ｗ月曰曰期名年月占年《／会之文硕击学位论文＇ＭＡＳＴＥＲＳＴＨＥＳＩＳ摘要基于内容的图像分类技术主要取决于图像特征的提取技术和分类器的构造方法。支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）具有监督学习能为，泛化能力强，一ＳＶＭ的图是种高效的分类器，因此基于像分类技术成为众多学者研

6、究图像分类的重要理论基础。本文主要研究了多分类器的构造及如何融合多恃征向量来训练ＳＶＭ分类器，使模型具有较高准确率。本文针对图像内容的基本特征提取算法分别作出了简单介绍，选择鲁椿性较好。的提取算法针对颜色提取，本文选择基于ＲＧＢ颜色统计的提取算法，分别提取出图像的Ｒ、Ｇ、Ｂ颜色分量直方图。针对纹理提取，本文选择由灰度共生矩阵导出纹理特征的方法。本文针对形状特征提取，选择了Ｃａｎｎｙ边缘检测算子提取边缘轮廓，结合不变矩的方法来描述形状特征。本文研巧了多分类器的构造方法，在二叉树ＳＶＭ多分类器的基础上作出了改进，提出了改进

7、后的二叉树ＳＶＭ多分类器的构造方法。通过计算图像特征向量间的欧氏距离来衡量两类图像的相似度，进而根据相似度选择分类顺序，选择相似度低的优先分类，避免了二叉树ＳＶＭ分类由于正类数目少导致的分类结果只集中在一边的结果负类。本文对原二叉树ＳＶＭ多分类器和改进后的分类器作对比实验，验证了改进后的多分类器的有效性。本文在基于对特征融合的研究上提出了基于加权的特征融合方法来融合各特征向量，与Ｗ往的融合方法不同，本文提出的融合方法是基于正类被正确分类的数目。然后将融合后的特征向量作为ＳＶＭ的输入向量，在改进后的多分类器上进行一如下实验；对

8、于数据集中的每个种类，对比其在基于单特征被正确分类最优时结果与