基于SVM的圖像分類
CLASSIFYING IMAGES WITH SVM METHOD

1.53萬(wàn)字 32頁(yè) 原創(chuàng)作品，已通過(guò)查重系統(tǒng)


摘要：SVM能夠解決線性及非線性分類問(wèn)題，以較少的支持量確定分類面，對(duì)樣本數(shù)量及維數(shù)不敏感。近年來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展更新以及圖像數(shù)據(jù)庫(kù)的日益增多，如何從中快速提取視覺(jué)信息越來(lái)越受到人們的重視，對(duì)圖像數(shù)據(jù)庫(kù)的分類和檢索成為獲取圖像信息的重要研究問(wèn)題之一。而圖像分類能夠減小圖像檢索范圍，使檢索效果更加明顯，因此圖像分類有著極其重要的實(shí)用價(jià)值。圖像分類的研究主要集中在以下兩個(gè)問(wèn)題：圖像特征的提取和利用學(xué)習(xí)器對(duì)特征進(jìn)行分類。
一是提出了一種彩色 Gabor 紋理特征和 SVM 的圖像分類方法，在特征提取部分避免了部分顏色紋理的丟失。Gabor 小波在對(duì)紋理灰度圖像特征提取中有較好的表現(xiàn)，然而對(duì)于彩色自然圖像中的紋理特征提取則容易丟失部分彩色信息，而在圖像的 RGB 三通道中分別提取紋理特征，形成彩色圖像的偽彩色紋理特征，用于分類，則能夠保留部分彩色圖像的彩色信息。
二是提出了一種基于多特征融合和 SVM 的智能圖像分類算法。對(duì)于一幅自然圖像，其單一的底層特征往往不能較為全面的表示圖像的信息，本文先利用每個(gè)單獨(dú)的底層特征訓(xùn)練出一個(gè) SVM 分類器，然后用粒子群優(yōu)化（Particle Swarm Optimization，PSO）來(lái)確定每個(gè)分類器的權(quán)重，找到最優(yōu)的參數(shù)設(shè)置，最后進(jìn)行投票，對(duì)彩色圖像進(jìn)行分類。通過(guò)對(duì)自然圖像庫(kù) Corel 1000 圖像庫(kù)進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文所提的基于多特征融合和 SVM 的算法對(duì)自然圖像有較好的分類效果。


關(guān)鍵詞：圖像分類；黑白照片；彩色照片；特征；Gabor 小波