基于多分类支持向量机的图像分割数据分析报告.doc

基于多分类支持向量机的图像分割数据分析汇报

1数据集来源及理解

这里的数据集来源于麻省大学的一种视觉小组，并由由其中的CarlaBrodley奉献给UCI数据集。用于训练的实例源于一种包具有7个户外图像的数据库的随机采样成果，这些图像中的各个部分已被手工分类，从而可以创立一种分类器来给其他图像的不一样区域进行分类。

每一种样本实例都由原始图像上某个取样点所在的3x3邻域的RGB值获得，并根据一系列的分析，可得到如下属性：

中心点横坐标（region-centroid-col）：取样中心点所在的图像的横坐标；

中心点纵坐标（region-centroid-row）：取样中心点所在的图像的纵坐标；

每个样本所含点的数量（region-pixel-count）：为9；

低密集度计数（short-line-density-5）指在通过这个区域的在任意方向上的，长度为5的线段当中，有多少条对比度大小要低于或等于5；

高密集度计数（short-line-density-2）指在通过这个区域的在任意方向上的，长度为5的线段当中，有多少条对比度大小要高于5；

横向像素差值的平均（vedge-mean）：指在3x3的样本中，所有的左右相邻的两像素亮度之差的绝对值（共有6个）的平均数；

横向像素差值的原则差（vedge-sd）：上述像素差值的原则差；

纵向像素差值的平均（hedge-mean）：指在3x3的样本中，所有的上下相邻的两像素亮度之差的绝对值（共有6个）的平均数；

纵向像素差值的原则差（hedge-sd）：上述像素差值的原则差；

整体亮度的平均数（intensity-mean）：亮度按(R+G+B)/3计算（上同），再根据9个点的这些亮度取平均数

红分量平均（rawred-mean）：整个样本区域的红分量的平均值

蓝分量平均（rawblue-mean）：整个样本区域的绿分量的平均值

绿分量平均（rawgreen-mean）：整个样本区域的lan分量的平均值

红色超过量（exred-mean）：测量红色多于其他颜色分量的程度，按(2R-(G+B))的公式计算

蓝色超过量（exblue-mean）：测量蓝色多于其他颜色分量的程度，按(2B-(G+R))(的公式计算

绿色超过量（exgreen-mean）：测量绿色多于其他颜色分量的程度，按(2G-(R+B))的公式计算

HSV空间中的V值平均(value-mean)：从RGB到HSV颜色空间的转换是一种三维的非线性转换，这个算法可以在交互式计算机图形学基础教材《FoleyandVanDam》中找到。

HSV空间中的S值平均(satue-mean)

HSV空间中的H值平均(hue-mean)

此外，在这个数据集当中，一种图像的各个部分被提成了7种类别，包括了砖块表面（BRICKFACE），天空（SKY），树叶（FOLIAGE），水泥（CEMENT），窗户（WINDOW），小路（PATH），以及草地（GRASS）。在这些数据集当中，每个类别均提供了30个训练数据和300个测试数据，这两个数据集分别按csv（逗号分隔）的格式储存在segmentation.data和segmentation.test中，此外尚有一种文献segmentation.names储存了这个数据集的阐明。

2措施与思绪

2.1措施理解与简介

LIBSVM是台湾大学林智仁(LinChih-Jen)副专家等开发设计的一种简朴、易用和迅速有效的SVM模式识别与回归的软件包，不仅提供了编译好的可在Windows系列系统的执行文献，并且提供了源代码，以便改善、修改以及在其他操作系统上应用；该软件对SVM所波及的参数调整相对比较少，提供了诸多的默认参数，并提供了交互检查(CrossValidation)的功能。运用这些参数和功能可以处理诸多有关分类与回归的问题，包括C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，也包括了包括基于一对一算法的多类模式识别的问题。

LIBSVM使用的一般环节是：

1）准备训练的数据集，包括每个样本的维数l，每个样本的属性集x，以及每个样本的对应分类编号y；

2）对数据进行简朴的缩放和平移操作来实现数据的归一化；

3）考虑选用核函数，包括线性核，RGF核，多项式核，sigmoid核等；

4）采用交叉验证选择最佳损失参数C与最合适的gamma系数；

5）采用最佳参数C与gamma系数对整个训练集进行训练获取支持向量机模型；

6）运用获取的模型进行测试。

LibSVM是以源代码和可执行文献两种方式给出的。假如是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译。

使用软件包提供的程序时，该软件使用的训练数据和检查数据