基于SVM分類的圖像邊緣檢測(cè)研究.pdf

1、圖像是典型的非結(jié)構(gòu)化數(shù)據(jù)，特征上具有難以用有限規(guī)則刻畫且動(dòng)態(tài)變化，內(nèi)容上常常不完整，解譯上依賴信息利用主體等問題。邊緣是圖像的最基本特征，在邊界檢測(cè)、圖像分割、模式識(shí)別、機(jī)器視覺中起到重要作用。如何有效地檢測(cè)邊緣一直是圖像處理的熱點(diǎn)。傳統(tǒng)邊緣檢測(cè)算法，由于其模板相對(duì)固定，不能有效應(yīng)對(duì)圖像中的變化；很難在提取邊緣的同時(shí)，有效抑制圖像噪聲；也基本不能選擇提取圖像中具有特定形狀的邊緣；只能應(yīng)用于有限的較理想場(chǎng)合。因此，針對(duì)具體應(yīng)用場(chǎng)景，邊緣提

2、取算法的各種改進(jìn)也層出不窮，但大部分改進(jìn)都表現(xiàn)在邊緣算子模板的不同構(gòu)造方法上?；跀?shù)據(jù)的機(jī)器學(xué)習(xí)是智能信息處理中的最基本方法，是解決非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化建模的有效工具。其主要研究從數(shù)據(jù)出發(fā)尋找規(guī)律，利用這些規(guī)律對(duì)未來數(shù)據(jù)進(jìn)行分類。
　　 本文重點(diǎn)研究通過不同的訓(xùn)練數(shù)據(jù)構(gòu)建動(dòng)態(tài)的邊緣檢測(cè)模型，利用這樣的模型來提取有效的圖像邊緣。為了實(shí)現(xiàn)邊緣檢測(cè)，我們的思路是將感興趣的邊緣點(diǎn)看作一類，而其他像素點(diǎn)看作另一類，利用分類算法建模后對(duì)圖像提

3、取相應(yīng)邊緣。本文采用了在模式識(shí)別中解決小樣本、非線性及高維問題有顯著優(yōu)勢(shì)的、基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(SVM)方法，作為學(xué)習(xí)建模的基礎(chǔ)。本課題的研究目的，就是基于MATLAB搭建實(shí)驗(yàn)平臺(tái)，利用SVM算法實(shí)現(xiàn)有選擇的圖像邊緣檢測(cè)。本項(xiàng)目具體完成了以下研究?jī)?nèi)容：
　　 ⑴編程實(shí)現(xiàn)了通過邊緣訓(xùn)練圖像快速構(gòu)建檢測(cè)模型，利用SVM提取圖像的邊緣；
　　 ⑵研究通過邊緣-噪聲訓(xùn)練圖像構(gòu)建檢測(cè)模型，使得模型在檢測(cè)邊緣的同時(shí)，能一定

4、程度克服噪聲干擾；
　　 ⑶研究通過對(duì)訓(xùn)練圖像中的特定圖形邊緣建立模型，利用SVM分類器將被測(cè)圖像中我們感興趣的邊緣檢測(cè)出來。
　　 ⑷提出了先利用不考慮位置信息的邊緣檢測(cè)得到圖像初步邊緣(可能有斷續(xù))，再利用考慮位置信息的算法對(duì)缺失邊緣進(jìn)行插補(bǔ)的邊緣提取改進(jìn)算法，有效處理較復(fù)雜圖像。
　　 ⑸提出了訓(xùn)練SVM分類器的策略，并觀察到不同模型與分類器的參數(shù)集之間存在有一定程度的不變性，這樣的性質(zhì)有望在今后被利用于具