基于支持向量机的图像分类研究论文.doc

目 录 摘要 1 Abstract 2 1 引言 3 1.1 概述 4 1.2 统计学习理论 5 1.3 支持向量机及其发展简史 5 1.4 研究内容及其现实意义 7 2 持向量机模型的建立 7 2.1 SVM核函数 8 2.2 核函数的选择 8 2.3 SVM算法简介 8 2.4 SVM学习算法的步骤 10 3 图像内容的描述及特征提取 10 3.1 图像内容的描述模型 10 3.2 颜色特征的描述 10 3.2.1 颜色的表示和颜色模型 11 3.2.2 颜色直方图 12 3.2.3 累积颜色直方图 12 3.2.4 主色 12 3.3 纹理特征的描述 12 4 基于SVM的图像分类方法研究 13 4.1 分类系统的结构 13 4.1.1 特征提取模块 14 4.1.2 SVM分类模块 14 4.2 特征提取策略 14 4.3 实验 15 4.3.1 三种核函数的选择比较实验 15 4.3.2 基于颜色特征的图像分类 17 4.3.3 基于纹理特征的图像分类 17 4.3.4 基于综合特征的图像分类 18 5 结论 18 参考文献 19 摘要 支持向量机(SVM)方法是建立在统计学习理论基础之上的，克服了神经网络分类和传统统计分类方法的许多缺点，具有较高的泛化性能。但是，由于支持向量机尚处在发展阶段，很多方面尚不完善，现有成果多局限于理论分析，而应用显得较薄弱，因此研究和完善利用支持向量机进行图像分类对进一步推进支持向量机在图像分析领域的应用具有积极的推动作用。本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响。对支持向量机在图像分类中的应用作了较全面的研究。对三种核函数进行了对比实验，实验表明二项式核函数较高斯核函数和sigmoid核函数具有更强的泛化能力；同时，通过实验分析了特征选取对向量机性能的影响，发现综合特征有利于分类效果的提高。在以上研究的基础上，我们建立了一个基于svM的图像分类实验平台，讨论了系统的组成模块和功能，给出了一些图像分类实例，并验证了前述理论研究的结果。 关键词：统计学习理论 支持向量机 图像分类 特征提取 Abstract The support vector machine (SVM) method is based on statistical learning theory foundation, overcome the neural network classification and traditional statistical classification method of faults, and has high generalization performance. But, because the support vector machine (SVM) is still in the development stage, many still not perfect, the existing results more limited to the theoretical analysis, and the use of appear more weak and therefore study and improve the use of support vector machines to image classification support vector machine to further advance in the application of image analysis play a positive role in promoting. This paper studies the image color, texture features on the use of support vector machine was the influence of image classification . To support vector machine (SVM) image classification in the application of a comprehensive. Three kinds of kernel function to the contrast experiment and the simulation results show that the binomial kernel function is gaussian kernel function and sigmoid kernel function is of stronger generalization ab