资源描述：
《基于支持向量机的图像识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、2006年1月重庆大学学报(自然科学版)Jan.2006第29卷第1期JournalofChongqingUniversity(NturlScienceEdition)Vo.l29No.1文章编号:1000-582X(2006)01-0057-04*基于支持向量机的图像识别1232何江平,文俊浩,邓恬洁,王道乾(1.重庆工学院数理学院,重庆400050;2.重庆大学软件学院,重庆400030;3.南京大学软件学院,江苏南京210093)摘要:支持向量机是统计学习方法,正成为当今研究的热点.支持向量机在模式识别和文本分类等方面获得了极大的成功,分类的准确率很高
2、,用支持向量机的方法处理一些二值图像和灰度图像,能获得较好的统计结果.从中摸索出了一种特征向量集的选取方法,讨论了判断结果优劣的标准,比较了支持向量机方法与其他方法得到的结果,得出了重要结论:用支持向量机识别图像的边缘具有非常优异的统计性能.关键词:支持向量机;图像识别;边缘检测;统计学习;数字图像处理中图分类号:TP391.41文献标识码:AV.Vapnik提出的支持向量机(supportvectormachine,以下简称SVM)的基本思想是:先在样本空间或特征空间,构造出最优超平面,使得超平面与不同类样本集之间的距离最大,从而达到最大的泛化能力.支持向量机结构简单
3、,并且具有全局最优性和较好的泛化能力,自20世纪90年代中期提出以来得到了广泛的[1]研究.支持向量机方法是求解模式识别和函数估计[2]图1处理对象问题的有效工具.将5个一维列向量合并为一个多位列向量.以这个多SVM在数字图像处理方面的应用是:寻找图像像维列向量为特征向量,用Sobel算子的方法求得图像素之间的特征的差别,即从像素点本身的特征和周围边缘的矩阵,降维成一维列向量,以此作为目标的环境(临近的像素点)出发,寻找差异,然后将各类[6-7]集.然后用LS-SVM进行训练,分类,最后显示统像素点区分出来.[3]计结果.对于较复杂的图形要区分边界像素和非边界2幅图像较大,ci
4、rcle是256256像素,clip是像素是比较困难的,仅仅依靠像素本身的值无法区分.830822像素.从运行时间上分析,98%以上的时间当加入灰度均值和灰度方差以后情况发生了变化,能都在训练的时候用掉的,判别的时候花掉大约1%,其够较好地区分边界像素和非边界像素,说明这些特征他处理,比如获得特征向量、转化矩阵及降维用的时间加在一起能够刻画边界和非边界.从直观上来讲,边界非常少,总共不足1%,见表1.这主要源于以下2点:上的元素和周围的像素的方差较大,均值和原来像素1)SVM的内在机制是通过求解二次规划问题来得到的差也较大,因此,把灰度均值和灰度方差纳入了特征向量[4].首先
5、选取2幅比较复杂的图形作为处理的对学习机,这是最重要的理论方面的原因;2)工具包使[8]用MATLBA语言,这个语言本身效率很低.象,分别命名为circle和clip,见图1.表1各项所用时间百分比把图像读入内存,转化为灰度图的格式.分别求得[5]计算项训练判断其他诸如准备、显示等需要作为特征向量组成部分的梯度矩阵、均值矩所用时间比例98%1%1%阵、方差矩阵等.然后将每个矩阵降维成一维列向量,*收稿日期:2005-08-29基金项目:重庆市自然科学基金资助项目(2004BB2182)作者简介:何江平(1969-),女,重庆人,重庆工学院讲师,硕士,主要研究方向:图形图像处理、
6、基础数学等.58重庆大学学报(自然科学版)2006年基于上面的原因,为了使计算量减少,只有将图像第1种方法:只考虑边缘,也就是说计算正确率的clip都用绘图工具缩放为256256像素.分子分母都是边缘上的点的个数,按照这种算法,得到运算量主要在训练上,那么开始可试图用较小的的正确率见表6.训练集进行训练,如果结果很好,就不需要继续,如果表6第1种方法的正确率(以1/16作为训练集,识别1/4)结果欠佳,则需要加大训练集以达到较好的效果.图像circleclip正确率/%62.9712.251以像素作为训练集的图像识别第2种方
7、法:只要识别正确,不管是不是边缘,按1.1以1/16像素作为训练集的图像识别照这种算法,得到的正确率见表7.先用图像的左上角的1/16像素作为训练集,然后表7第2种方法的正确率(以1/16作为训练集,识别1/4)识别整个图像,处理时间见表2.图像circleClip表21/16作为训练集的处理时间正确率/%96.7994.85图像circleclip处理时间/s445.64465.32因为只关注边缘,得到的62.97%和12.25%的正第1种方法:只考虑边缘,也就是
