外文资料中文翻译.docVIP

基于支持向量机的图像分割 摘要  图像分割是图像分析支持向量机（ SVM ）实验结果表明：核函数和模型参数对分割的影响是的; SVM的在图像分割; 在图像分割性能比较下，支持向量机的做法是优于的反向传播多层感知器（BP神经的MLP）的方法和模糊C均值（FCM）方法：支持向量机;图像分割;图像分析 图像分割是图像分析必要步骤。图像分割是一个封闭的轮廓边界。尽管相当大的进展，计算理论与早期视觉为基础的机器视觉远完美其中一个重要的问题是如何正确的分成不同的有意义的，即如何图像分割SVM是一个普遍的算法基础保证风险统计学习理论，即所谓的结构风险最小化的原则这是一个学习机器最佳监督预期的风险范围vapnik - chervonenkis（VC）。后者学习机泛化能力，SVM）已有了众多的应用，人脸，文本分类，目标检测等。在近年来，图像分割如神经网络方法和聚类算法，此外，对比实验与BPMLP和模糊C均值（FCM）也进行评估。 （1） 其中为输入向量，为相应的目标输出。L为总的训练数目，n为输入空间的维数。接下来就是如何构造一个分类器（即判决函数），将输入向量正确的区分成两类。 非线性支持向量机首先提出的是一个非线性的映射：。非线性SVM分类器定义如下： （2） 该函数相对于变换后的数据是线性的，但是相对于原始数据为非线性的。 该公式并非完全适用于实际，因为训练集并不能完全由超平面分离开来。在非线性可分的情况下，我们引入了松弛变量** ，来泛化可分类能力，如下公式： 其中 （3） 判别函数参数由下式的最小值决定： （4） 其中C是由使用者指定的正值，归一化的参量。 使用langrange乘子，上式方程式中的最小值的必要的条件是向量由映射向量函数线性组合而成： （5） 是与方程式（3）约束相关的Langrange乘子； 将式（5）代入到（2）式中为： （6） 其中函数 ：，（7） 称为核函数，它必须满足 Mercer定理的条件，可以将特征空间转换到高维中进行分割。 Langrange乘子 由方程式（4）的常规形式求得，可以表达为： （8） 约束条件为： （9） （10） 在此 成本函数 是未知参数的凸二次求解问题。实际上，这种问题常通过优化程序求得。 2.图像分割 在这部分，我们采用178*178维的细菌图片进行试验，来评价SVM向量机的分割性能。 2.1 输入特征空间 选择SVM 作为分类器来分割图像，我们需要事先确定选取原始图像的哪些特征作为输入向量。分割质量的好坏很大程度上取决于表征图像的特征输入。 在本实验中，对于每一个像素，我们选取了一个5*5的移动窗口遍历原始图像，这样可以提取出三个灰度级特征（中央像素强度、中间过滤器强度，像素间的方向为）得到的11个纹理特征作为输入向量。为避免一些特征值范围过大而另一些特征值范围过小，在采用SVM分类前，缩放训练集数据是很重要的，通常会将此范围缩放到[-1,1]或者是[0,1]之间。 2.2 核函数及模型选择 在SVM 分类器设计过程中，核函数起着很重要的作用，它可以将低维的输入空间转换到高维特征空间中。目前还不能采用技术来得到准确地核函数，通常选取三类核函数: 线性核、多项式核函数、径向基RBF核函数，其形式分别如下： 线性核函数： 多项式核函数： 径向基RBF核函数： 为了寻求最优参数，我们采用了k倍交叉验证模式来最小化期望泛化误差。在交叉验证中，训练集被分成k个大小差不多的互不交叉的子集。通过使用子集的k-1来获取SVM决策规则，在其余的子集中进行验证。此过程重复k次，每一个子集被测试一次。通过k次测试误差的均值来估计泛化误差，最后，选取最小的泛化误差模型。 实验结果及分析讨论 接下来的所有实验都是基于相同的硬件（CPU主频为2.66GHZ，内存为512M ） SVM训练及模型选取 从真实图片中，我们随机的选取1500幅含有目标和背景的样本，在原始图像上移动一个5*5的窗口进行分割。像前面提出的，对每个像素提取14个特征并且将其缩放到[-1.0，1.0]。对于原始图像中的每个像素，我们采用SVM分类器来确定它是否输入目标还是背景。基于各种模型和参数设置，我们用5倍交叉验证来训练和测试SVM分类器，其中，我们将泛化误差作为评估的衡量指标。 表1.是对基于5倍交叉验证得到的不同惩罚参数C的不同核函数的泛化误差的比较：我们能够看到不同的核函数和模型参数的选取对图像分割性能至关重要。当选取RBF核函数及参数C=1时得到的分割性能最优。但是我们要指明该研究是基于有限范围核函数和参数c值