基于多類特征的SVM圖像分割方法的研究.pdf

1、圖像分割是圖像分析的一個基本步驟,同時也是圖像信息處理的難點和熱點研究問題之一。圖像分割結(jié)果的好壞直接對后續(xù)的圖像分析和理解產(chǎn)生重要影響。目前,常用的圖像分割方法包括閾值分割、邊緣檢測、區(qū)域生長、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)、模糊聚類等。SVM不僅采用了結(jié)構(gòu)風(fēng)險最小化原則,而且還綜合了神經(jīng)網(wǎng)絡(luò)、統(tǒng)計學(xué)習(xí)理論等方面的知識。SVM已被證明在解決小樣本、高維以及非線性化的模式識別問題中具有較好的優(yōu)勢。近來,采用SVM的圖像分割方法已引起了許

2、多學(xué)者的關(guān)注。
　　 本課題研究發(fā)現(xiàn),經(jīng)典的基于SVM的圖像分割方法僅使用灰度特征來構(gòu)成輸入的特征樣本,忽略了圖像紋理和邊緣銳變信息。然而,對于一幅紋理信息豐富、目標(biāo)區(qū)域邊緣對比度低的圖像而言,僅依靠灰度特征難以完全表征目標(biāo)的整體特征,此時采用經(jīng)典的SVM圖像分割方法難以得到令人滿意的分割效果。
　　 針對上述問題,本文主要研究工作如下:
　　 (1)在分析了頻域相位信息和紋理信息在表征圖像特征方面的重要性之后,

3、提出了一種結(jié)合相位一致和紋理特征的SVM圖像分割方法。該方法首先提取圖像的相位一致性統(tǒng)計特征、紋理特征和灰度特征,其中相位一致性統(tǒng)計特征由均值、方差、偏度、峰度和熵來描述,紋理特征由能量和頻域方向性來表征,灰度特征由灰度像素值構(gòu)成,然后將它們組合成多維特征樣本向量,最后采用SVM分類方法對圖像進(jìn)行分割。
　　 (2)將新方法與經(jīng)典的SVM圖像分割方法和Canny邊緣檢測方法進(jìn)行對比實驗分析。實驗結(jié)果表明,該方法比經(jīng)典的SVM圖像