训练样本采集与处理.docVIP

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，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特性。 V.Vapnik提出的支持向量机（Support Vector Mchine,以下简称SVM）的基本思想是：现在样本空间或特征空间，构造出最优超平面，是的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。 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 目 录 摘 要 I 1. 概述 2 1.1 图像识别的概念 2 1.2 支持向量机的概念 2 1.3 支持向量机与图像识别的关系 2 2. 支持向量机模型的建立 3 2.1 SVM核函数 3 2.2 SVM学习算法的步骤 3 3.算法设计及流程 4 3.1 SVM图像识别流程 4 3.2 样本选择 5 3.3 特征提取 7 3.4 识别结果及其分析 8 4.MATLAB程序设计 9 4.1 Matlab图像编程概要 9 4.2 SVM的Matlab工具箱使用指南 9 4.3 程序源代码 11 结论 14 参考文献 14 基于支持向量机的图像识别程序设计 --训练样本的采集与处理 概述 1.1 图像识别的概念 图像识别是模式识别技术在图像领域中的具体运用，是运用模式识别的原理，以图像的主要特征为基础，利用计算机对图像中的物体进行分类，或者可以说是找出图像种有哪些物体。一个图像识别系统可用图1.1所示的框图来表示。 图1.1 图像识别系统 1.2 支持向量机的概念 支持向量机（Support Vector Machine,SVM）是建立在统计学理论和结构风险最小原理基础上的，能较好地解决小样本、非线性、高维数等问题。支持向量为训练集中一组特征子集，使得对特征子集的线性划分等价于对整个数据集的分割。 1.3 支持向量机与图像识别的关系 对一幅图像而言，像素是基本组成，从图像识别定义来说，对图像的识别实际就是对像素进行分类，SVM就是通过对每一个像素进行分类来完成图像识别的，根据支持向量机原理，样本特征到最优分类面的距离大于零为+1类，样本特征到最优面的距离小于零为-1类，因此它是一种全局门限分类方法，全局门限T=0，只是这时的图像由图像是由图像的多种特征组成的SVM的图像。 支持向量机是一种有监督的分类方法，因此实现基于支持向量机图像识别就是要完成训练样本的选择、特征提取、核函数及其参数确定。首先分别选择代表两类的像素作为训练样本，提取两类的特征，作为支持向量机的输入：然后选取合适的核函数及其参数，训练分类器。获得支持向量模型：最后提取测试样本特征，产生待分类样本集，用支持向量机进行分类，将像素点归入所属类，从而完成图像识别。 支持向量机模型的建立 2.1 SVM核函数 本文中鉴于高斯核函数和线性核函数的参数比较少，因此选用高斯核函数其形式为： (6) 此处的=100即为其高斯核函数的参数。高斯(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷 (3-2-1) 即样本是绝对的非此即彼的属于某一类。对于模糊C均值来说，样本对子集的隶属度函数不是定值，而是[0，1]之间的一个数。它表明样本对某一类的相似程度，隶属度越大，表明跟某一类越相似。相比硬C均值聚类来说，模糊C均值聚类更符合图像分割的特点。 模糊C均值聚类算法是通过最小化以下的目标函数： (3-2-2) 来实现同性质像素聚类的。目标函数越小，表明同类间像素的相似性越大。C为聚类数目，n为样本数，m∈[1,+∞]为加权指数，是为了加强图像之间的对比度。μij表示第j像素点对第i类的隶属度，d（xj，vi）表示第j个像素点距离第i个聚类的距离。根据拉格朗日乘数法优化目标函数得： (3) 模糊C均值聚类后，每个像素产生了对背景和目标的隶属度，隶属度的大小代表了像素与类的相似程度，因此设计了一种选择训练样本的方法。 首先将各个像素对目标类的隶属度按照从大到小的顺序排列，选择前隶属度对应的像素作为训练样本的+1类；然后将各个像素对背景类按照从小到大排列。这样做