支持向量机在图像处理应用中若干问题研究

《支持向量机在图像处理应用中若干问题研究》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、硕士论文支持向量机在矗处理应用；若干黼嘉”黟删1旷”蘩糟夕墨毒摘要f支持向量机(SupportVectorMachines，简称SVM)是Vapnik等人提出的～类新型机器学习方法。由于其出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功的应用，如人脸检测、手写体数字识别、文本自动分类等。但是作为一种新兴技术，SVM在很多应用领域的研究还有待探索和完善。例如：核函数和参数的选择缺乏理论指导、缺乏容噪性能、训练集大小具有上界、训练算法的完善、不支持增量学习、缺乏和先验知识的整合能力等等。这些问题的存在

2、，使得SVM在很多领域的应用受到了很大限制。本文结合SVM在图像处理领域的应用，对上述问题中的部分问题分别进行了探讨，并给出了相应的解决方案。同时，对核空问方法在图像处理领域的几种应用进行了论述d本文工作包括：’(1)核空间理论的应用及自适应核函数的选择本文研究了推广性能与核函数之间的关系，针对分类问题，提出了一种核函数选择的策略。斛对多光谱遥感图像分类的特点，本文首先利用核空阳J理论改进了一种简单的分类算法一一自适应最小距离分类方法，通过核函数将输入空间映射到高维空间，使得在高维空间中，融合各个波段的特点，加大要识别地物

3、目标间的差别。然后利用这种选择策略，对核函数加以选择，使得分类效果最好，最后对多光谱TM图像进行目标分类。lJ(2)基于核空间方法的特征提取通过使用核空间方法，将主成份分析(PrincipalComponentAnalysis，简称PCA)扩展到非线性情况下，使得各个成份的提取更加细致。I本文利用这种方法，对遥感图像处理加以研究，应用于地质找矿中，根据地质学知识，提取能够反映矿化蚀变的弱成份信息。试验表明，使用这种方法，可以提取更加细致的弱成份，可以找到标准主成份分析不能提取的矿化蚀变信息，使得遥感地质找矿更加有效。、l(

4、3)SVM训练算法的改进在对SVM学习特点的深入分析基础上，本文利用博奕理论对SVM训练塑生堡塞兰堑塑篁!!生鬯堡竺堡壁旦!董±塑望鲨!!——算法中比较经典的序列最小优化方法(sequentialMinimalOptimization，简称SM0)j311以改进。I改进后的算法(GameBasedSequentialMinimalOptimization，称为GSMO)充分保留了原算法解决二次优化(QuadraticProgramming，简称QP)子问题简单的特点，工作集最小化，同时保证了算法的收敛性。叶√关键词：支持向

5、量机；核函数，博奕理论；主成份分析?序列最小优化Il硕l‘论文支持向堂机在图像处理应用中若十问题研究ABSTRACTSupportVectorMachines(SVM)areakindofnovelmachinelearningmethodswhichhavebecomethehotspotofmachinelearningbecauseoftheirexcellentlearningperformance．Theyalsohavesuccessfulapplicationsinmanyfields，suchas：face

6、detection，handwritingdigitrecognition，textauto·categorization，etc．Butasanewtechnique，SVMalsohavemanyshortcomingsthatneedtoberesearched，including：theadaptivekemelandparameterselection，sensitivetonoise，havealimitationinthescaleoftrainingset，theshortcomingsoftraining

7、methods，incrementallearning，andthecombinationwiththepriorknowledge，etc．Theapplicationsinmanyfieldsarelimitedbecauseoftheseproblems．Inthispaper,someofaboveproblemsareprobedintotheapplicationinimageprocessingarea，Andthecorrespondingsolutionsaregiven．Andsomeapplicati

8、onsofKernelmethodinimageprocessingareaarealsodiscussed．Theworkincluding：(1)TheapplicationofkerneltheoryandadaptivekernelselectionInthispaper,therelation