支持向量机在基于内容图像检索中应用_0.docVIP

支持向量机在基于内容图像检索中应用摘要：本文比较了图像检索方法，提出利用支持向量机分类精度高、泛化能力好的特点应用于基于内容的图像检索方法。同时针对图像分类问题是个多分类问题，应用二叉树作为分类决策树形式，将支持向量机的两分类扩展为多分类来构建分类器。 关键词：支持向量机 图像检索 二叉树 引言 随着计算机网络技术的不断发展，各种医学信息系统、数字图书馆、卫星遥感图像系统等得到较大的发展和应用。这些系统中储存了越来越多的图像、视频资料，从数量庞大的图像数据库中检索图像是件非常困难的事情。目前的图像检索主要有两种方法，一种是预先对图像进行文本标注，然后根据标注的文本索引进行检索。这种方法工作量大，效率低。另一种方法是基于内容的图像检索，即利用图像的颜色、纹理、形状、空间位置等图像特征来匹配图像，从而达到图像检索的目的。这种方式检索效率高，是当前的主要发展技术。但是受技术的限制，基于内容的图像检索方法在匹配特征、判断图像间的相似性时存在一定问题，当图像相似限制过高时，一些相关图像检索不出来；当相似限制过低时，又检索出不相关的图像。造成这种现象的原因是图像数据量大而训练样本较少，存在样本训练时间长和图像分类精度低的问题。 本文将支持向量机（SVM）引入到基于内容的图像检索中，利用SVM能够在训练小样本而取得较好的分类效果和推广能力，适用于高维、非线性的分类的特点，提高基于内容的图像检索中图像相似匹配的准确度。 1． 支持向量机（SVM） 支持向量机(Support Vector Machine，SVM)[1]是一种基于统计学习理论新的机器学习方法。它将最优分类超平面和核函数方法结合起来，充分利用当前的所有样本来求得一个最优的学习结果，具有很好的泛化能力，适合于解决高维、非线性的分类问题，现主要应用于模式识别、函数逼近和概率密度估计等。 支持向量机方法的优点在于没有必要知道映射T的具体形式，而只需定义高维空间中的内积运算K(xi，xj)即可，即使变换后空间维数增加很多，计算的复杂度没有太大的变化。 2． 基于内容的图像检索系统模式 基于内容的图像检索系统没有固定的模式，一般都采用如下的处理方式：首先从大量的图像中提取颜色、纹理、形状等图像特征构建图像特征库；然后将特征库中的图像特征作为训练样本进行训练，训练后得到图像的最优分类函数；检索图像时输入查询要求，根据图像分类函数，进而从图像库中检索出满足查询要求的图像。根据分类检索得到的结果应该与用户的查询请求进行相似判断，提交相关反馈，以更好地与用户请求匹配。图2-1所示为基于内容查询检索系统模式。 3． SVM在基于内容的图像检索中的应用 在基于内容地图像检索中应用SVM，主要是利用SVM在高维、小样本情况下分类泛化能力强、分类精度高的特点。但是传统的SVM只能进行两类分类，并且图像信息非常丰富，颜色、纹理等特征的提取比较困难和关键。特征提取的好坏直接关系到图像分类的结果。因此在图像检索中应用SVM要解决图像特征提取和构造多分类SVM分类器的问题。 3．1 图像特征提取 图像的特征主要从图像的颜色、纹理、形状等特征中提取，并且将它们作为SVM的特征向量进行学习训练。往往用单一的颜色特征或纹理特征不能得到比较好的分类检索效果，故可以选取颜色、纹理、形状等联合特征作为SVM的输入向量。经实验证实，采用联合图像特征向量的检索效果比采用单一图像特征向量的效果好。 3．2 构造SVM多分类器 支持向量机原本是针对二类分类问题的。多类支持向量机是二类支持向量机的扩展。目前有两种类型的多类支持向量机。一种是多个二类分类器的组合合并，另一种是直接在一个优化问题中求解得出分类模型（single machine）[2]。其中多分类器组合方法又分为两种类型：“一对一”和“一对其它” [3]。“一对一”多类支持向量机是构造k(k-1)/2个二类支持向量机，k是类别的数目。“一对其它”多类支持向量机是构造k个二类支持向量机，k是类别的数目。由于“一对其它”容易导致模糊概念，所以本文采用“一对一”的多分类组合方法。同时许多实际问题可以以二叉树易于在计算机中实现的数据结构来表示，故本文采用二叉树形式的“一对一”组合方法构建SVM多分类器。分类过程中两类相比较，依次从二叉树的最底层向上进行两类的比较，选中比较中获胜的那一类，直到比较到最终的树顶，从而确定出图像最终的分类类别，使之能够检索到合适的图像。 结束语 本文利用SVM泛化能力强、小样本分类精度高，适用于高维、非线性的分类特点，将SVM及其扩展的多分类器算法用于基于内容的图像检索方法中，大大提高了图像检索的进度。它具有文本标注等图像检索方法不可比拟的优