参数自适应的半监督复合核支持向量机图像分类.pdfVIP

JournalofComputerApplications ISSN 1001—9081 2015—1O一10 计算机应用，2015，35(10)：2974—2979 C0DEN JYIIDU http：／／www．joca．an 文章编号 ：1001—9081(2015)10—2974—06 doi：10．11772／j．issn．1001—9081．2015．10．2974 参数 自适应的半监督复合核支持 向量机图像分类 王朔琛，汪西莉 (陕西师范大学计算机科学学院，西安 71O119) ( 通信作者电子邮箱wangxili@snnu．edu．cn) 摘 要：半监督复合核支持向量机在构造聚类核时，普遍存在复杂度高、不适于大规模图像分类的问题；且K均 值 (K-means)图像聚类的参数难以估计。针对上述问题 ，提 出基于均值漂移(Mean—Shift)参数 自适应的半监督复合核 支持向量机图像分类方法。结合Mean—Shift对像素点进行聚类分析以避免K—means图像聚类的局限性；利用图像的 结构特征 自适应算法参数以避免算法的波动性；由Mean—Shift结果构造 MeanMap聚类核以增强同一聚类中的样本属 于同一类别的可能性，使复合核更好地指导支持向量机对图像分类。实验验证了改进的聚类算法和参数取值方法可 以更好地获取图像的聚类信息，使算法对普通图像和加噪图像的分类正确率较对比的半监督算法一般情况下提高 1～7个百分点，且对于较大规模图像也有一定适用性，能够更高效、更稳定地进行图像分类。 关键词：半监督学习；支持向量机；复合核；Mean—Shift算法；图像分类 中图分类号：TP391．41 文献标志码 ：A Semi-supervisedcompositekernelsupportvectormachine imageclassificationwithadaptiveparameters WANG Shuochen．WANG Xili fSchoolofComputerScience．ShaanxiNormalUniversity，XianShaanxi710119，China) Abstract：Whenthesemi—supervisedcompositekernelSupportVectorMachine(SVM)constructingclusterkernel，the universalexistenceproblem ishighcomplexityandnotsuitableforlarge—scaleimageclassification．Inaddition．whenusingK— meansalgorithm forimageclustering，theparameterisdifficulttoestimate．Inallusiontotheaboveproblems，semi—supervised compositekernelSVM imageclassificationmethodbasedonadaptiveparametersofMean—Shift wasproposed．Thismethod combinedwithMean—Shift tomakeaclusteranalysisofthe pixelto avoidthelimitationsofK-meansalgorithm for image clustering，determinedtheparametersadaptivelyby usingthe structurefeatureofthe image toavoid thevolatility oft