基于支持向量机的图像识别.PDFVIP

( ) 　2006年 1月 重庆大学学报 自然科学版 Jan. 2006　 ( ) 第 29卷第 1期 Jou rnal of Chongq ing U n iversity N ɑtu rɑl Science Edition Vo l. 29　No. 1 　　文章编号 : 1000 - 582X (2006) 0 1 - 0057 - 04 基于支持向量机的图像识别 1 2 3 2 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 　2 10093) 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 : TP39 1. 4 1 文献标识码 : A 　　V. V ap n ik 提出的支持向量机 ( support vector m a ch ine, 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 ,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 研究. 支持向量机方法是求解模式识别 [ 1 ] 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 集 [ 6 - 7 ] . 然后用 L S - 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 像素是比较困难的 ,仅仅依靠像素本身的值无法区分. 2 幅图像较大 , circle 是 256 ×256 像素 , clip 是 830 ×