基于支持向量机的数字图像分割毕业设计开题报告.doc

上海工程技术大学 毕业设计（毕业论文）开题报告 学 院 电子电气学院 专 业 自动化 班级学号 学 生 指导教师 题 目 基于的数字图像 任务规定 进行日期 自 2011年 9 月 13 日起，至 2012年 1 月 13 日止 1课题背景及研究意义: 图像分割是进行图像理解的基础，是图像工程技术中的一个重要问题。近年来，人们越来越重视图像的分割算法，并期望寻求一种实时性、鲁棒性较好的算法。图像分割技术在当今信息社会中具有极其广泛的用途，特别是在医学图像诊断、卫星遥感图像识别、交通车牌信息识别等等方面尤其有现实意义。目前机器学习技术正越来越多地引领图像分割领域的研究发展，支持向量机正是其中一种较为先进的研究方法。 2课题研究内容: 　图像处理　 图像处理用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容 图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。 常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 Vladimir N.Vapnik 博士等人在1995 年基于统计学习理论基础上提出的一种专门研究小样本情况下的新型的机器学习方法。与传 统统计学相比，SVM 算法不是以经验风险最小化原则为基础的，而是建立在结构风险最小化原则基础之上的，是一种新型的结构化学习方法。SVM 与神经网络、决策树不一样，它不是利用经验的启发式算法来修剪结构，而是通过改变一个控制参数来连续调节模型复杂度和结构，并且这种调节是自动的。可以说SVM 是真正意义上的机构可以自动选择的学习机，它能很好地解决有限数量样本的高维模型的结构问题，具有良好的分类能力和预测性能。由于SVM 在许多应用领域表现出较好的推广能力，自20 世纪90 年代提出以后，迅速引起各领域的注意和研究兴趣。目前对SVM 的研究主要有以统计学习理论为基础的理论研究、各种改进的SVM 方法、针对大型问题的有效算法以及各种应用领域的推广等。 　基于支持向量机的图像分割　 　　　基于支持向量机的发方法进行具体的图像分割。SVM 在理论上具有突出的优势，在实践应用方面最早由贝尔实验室针对美国邮政手写数字库的相关识别进行了研究，取得了相对成功。在最近几年，有关SVM 的应用研究得到了很多领域的学者的重视，在人脸检测和识别、说话人/语音识别、网络入侵检测、手写体数字识别及其他应用研究等方面取得了大量的研究成果，从最初的简单模式输入的直接SVM 方法研究，进入到多种方法取长补短的联合应用研究，对SVM 本身也进行了多方面的改进研究。下面是几个基于支持向量机方法进行图像分割的实例。 　　人脸检测和识别。即：任给一幅图像，判断其中是否存在人脸，如果存在，则返回人脸的位置、大小、位姿等。Osuna 等首先将SVM 方法用于人脸检测与识别问题，取得了较好的实验结果。该方法使用了大量人脸样本和“自举”方法收集的“非人脸”样本来训练SVM，并且使用逼近优化的方法减少支持向量的数量，在检测阶段对每个19×19 像素的窗口使用SVM 进行分类以确定是否为人脸。但直接使用SVM 方法需要大量存储空间，且支持向量会较多（约占训练样本总数20%），速度较慢。为此，提出一种递进式的人脸检测算法——背景消减、肤色分割与SVM 方法相结合的人脸检测算法。提出了基于两级分类器和SVM 的人脸检测研究，该方法中，第一级采用特征基方法，对待检测区域进行粗筛选，过滤掉大量非人脸背景信息，然后再用第二级SVM 进行验证。实验结果表明这些算法都能提高检测速度，使系统更有效率。人脸检测研究中更复杂的情况是姿态的变化。提出基于LLE 的彩色图象人脸检测，运用局部线形嵌入（LLE）的非线性降维方法，解决非线性结构的高维数据（图象）低维表示的问题，实现高维输入数据点映射到一个全局低维坐标系，同时保留了邻接点之间的空间关系。实验结果表明方法效率较高，而且不受姿态、表情和光照等影响。针对多姿态人脸检测的姿态判定提出了一种基于SVM 的判定算法，将人脸姿态划成6 个类别，从一个多姿态人脸库中手工标