基于SVM的圖像分類研究.pdf

1、隨著數(shù)碼設(shè)備、網(wǎng)絡(luò)及多媒體技術(shù)的發(fā)展，人們在工作、學(xué)習(xí)和日常生活中產(chǎn)生的圖像數(shù)據(jù)呈現(xiàn)了爆炸式的增長方式，如何合理而又高效地組織海量的圖像數(shù)據(jù)、結(jié)合圖像低層特征，將數(shù)字圖像進(jìn)行分類和檢索是目前的一個研究熱點(diǎn)之一。
　　 支持向量機(jī)(SVM)是上世紀(jì)九十年代提出的一種基于小樣本的新的統(tǒng)計(jì)學(xué)習(xí)方法，較好地解決了非線性、高維數(shù)、局部極小點(diǎn)等實(shí)際問題。由于其具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強(qiáng)等優(yōu)點(diǎn)，支持向量機(jī)被認(rèn)為是一種高效的有優(yōu)越表現(xiàn)的

2、分類器，因此基于SVM的圖像分類成為圖像分類的重要理論和技術(shù)。
　　 本文所做的研究工作主要包括以下幾方面：
　　 1．鑒于單一視覺特征不能很好地表達(dá)圖像內(nèi)容，提取了融合顏色、紋理、空間關(guān)系的綜合特征作為SVM的輸入向量。
　　 2．結(jié)合結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則分析了誤差懲罰參數(shù)C和高斯核寬度s 對SVM性能的影響，在此基礎(chǔ)上提出了基于遺傳算法的SVM 參數(shù)優(yōu)選方法，實(shí)驗(yàn)結(jié)果表明由該方法所得參數(shù)確定的SVM 具有較優(yōu)的

3、識別率和較簡單的結(jié)構(gòu)。
　　 3．總結(jié)了目前存在的基于支持向量機(jī)的各類主要分類方法，包括“一對多”方法、“一對一”方法、決策有向無環(huán)圖方法、基于二叉樹的支持向量機(jī)多類分類方法和其它幾種方法，比較了他們的優(yōu)缺點(diǎn)以及性能。接下來本文提出了基于GA(遺傳算法)和KNN(K 近鄰)的SVM 多類分類算法，訓(xùn)練時利用遺傳算法對SVM分類樹結(jié)構(gòu)進(jìn)行優(yōu)化，生成最優(yōu)(較優(yōu))分類樹；在分類時，對于分類樹下層可分性差的類別，采用SVM與KNN 相結(jié)