基于SVM的圖像分類
CLASSIFYING IMAGES WITH SVM METHOD

1.53萬字 32頁 原創(chuàng)作品，已通過查重系統(tǒng)


摘要：SVM能夠解決線性及非線性分類問題，以較少的支持量確定分類面，對樣本數(shù)量及維數(shù)不敏感。近年來，隨著計算機技術(shù)的發(fā)展更新以及圖像數(shù)據(jù)庫的日益增多，如何從中快速提取視覺信息越來越受到人們的重視，對圖像數(shù)據(jù)庫的分類和檢索成為獲取圖像信息的重要研究問題之一。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用價值。圖像分類的研究主要集中在以下兩個問題：圖像特征的提取和利用學(xué)習(xí)器對特征進行分類。
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 小波在對紋理灰度圖像特征提取中有較好的表現(xiàn)，然而對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，本文先利用每個單獨的底層特征訓(xùn)練出一個 SVM 分類器，然后用粒子群優(yōu)化（Particle Swarm Optimization，PSO）來確定每個分類器的權(quán)重，找到最優(yōu)的參數(shù)設(shè)置，最后進行投票，對彩色圖像進行分類。通過對自然圖像庫 Corel 1000 圖像庫進行實驗對比，驗證了本文所提的基于多特征融合和 SVM 的算法對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