基于混合核函数最小二乘支持向量机图像边缘检测研究.docVIP

基于混合核函数最小二乘支持向量机图像边缘检测研究 　　摘要：该文研究了基于混合核函数最小二乘支持向量机（LS-SVM）的图像边缘检测技术，利用LS-SVM对图像象素邻域的灰度值进行曲面拟合，结合梯度算子和零交叉算子实现了图像边缘定位。通过对实验说明了该文算法效果很好，边缘定位准确。 　　关键词：边缘检测；最小二乘支持向量机；混合核函数；边缘检测性能 　　中图分类号：TP911 文献标识码：A 文章编号：1009-3044(2009)05-1201-03 　　 　　Edge Detection Based on Least Squares Support Vector Machine with Mixtures of Kernels 　　XUE Liang 　　(Peoples Bank of China Branch in Urumqi, Urumuqi 830002, China) 　　Abstract: A novel edge detection algorithm based on the combination result of gradient and zero crossings is presented which the image intensity of neighborhood region of pixel is well estimated by Least Squares Support Vector Machines(LS-SVM) with mixtures of kernels and the gradient operator and zero crossing opertator are obtained by LS-SVM based on mixtures kernel function. The result of experiment shows that the LS-SVM peformance by using mixtures of kernels is much better than other methods when the SNR is lower, especially the edge of positioning accuracy. 　　Key words: edge detection; least squares support vector machines; mixtures of kernels; edge detection performance evaluation 　　 　　1 引言 　　 　　边缘检测往往是其他图像处理技术的基础，是图像处理中一个十分令人关注的研究方向。传统的边缘检测算子如Sobel、Prewitt、Robert等算子，对噪声很敏感，所以在处理实际图像时受到一定的局限。近年来，基于统计学习理论的支持向量机(Support Vecror Machine,SVM)，作为新的数据分类和函数估计工具，得到了巨大的发展[1]。其中最小二乘支持向量机[2](Least Squares SVM,LS-SVM)在函数估计中应用较多。LS-SVM的许多特性是由所选择的核函数决定的，为了得到性能更为优良的LS-SVM，一种改进的方法是把多个核函数组合起来，形成一种混合核函数[3]，由这种混合核函数构造的LS-SVM不仅学习能力强，而且具有很好的推广性。文献[4]利用高斯核和多项式核函数的LS-SVM完成了边缘提取研究，本文在文献[4]的基础上，利用混合核函数对图像边缘提取进行研究，实验结果表明在信噪比较小的情况下，该方法进行边缘提取的性能好，尤其是边缘定位准确。 　　 　　2LS-SVM 　　 　　最小二乘支持向量机是统计学习理论中常用的方法，其思想如下：给定训练样本集{(xi,yi)}Ni=1，xi∈Rn，yi∈R，通过非线性变换Ф(?)把n维输入向量xi和输出样本向量yi从原空间Rn映射到高维特征空间F，在此空间中构成最优线性决策函数 　　 　　其中αk和b是（2）的解，具体的形式取决于核函数K(x,xk)的类型。目前研究最多的核函数主要有以下两类： 　　1）径向积核函数（RBF）：K(x,xk)=exp{-||x-xk||2/σ2}，其中σ2是高斯核宽度。该函数为局部性核函数，仅仅在测试点的附近小邻域对数据点有影响。 　　2）多项式核函数（poly）：K(x,xk)=(x?xk+1)d，其中d是多项式的次数。该函数为全局性核函数，允许远离测试输入的数据点对核函数的值也有影响。 　　因为局部性核函数学习能力强、泛化能力较弱，而全局性核函数泛化性能强、学习能力较弱，因此考虑把这两类核函数混合