基于支持向量回歸模型的圖像分類研究.pdf

1、隨著技術和社會的進步，圖像成為越來越重要的信息載體，如何對圖像信息進行有效的處理成為目前研究越來越重要的內容，為了能讓計算機快速合理的處理各種圖像信息，有必要對圖像進行分類。但在圖像在成像、存儲等過程中難免會產生噪聲，破壞圖像的質量，影響了圖像分類的結果，為了能提高分類的準確率，因此在分類前需要對圖像進行去噪預處理。
　　 支持向量機(Support Vector Machines，SVM)是近年來興起的基于統計學習理論的一種新

2、機器學習算法，能有效的處理線性問題及非線性問題的分類和回歸。目前SVM已經用于處理圖像去噪和分類問題，但SVM在這兩個方面的應用仍然是研究的熱點。
　　 本文使用基于SVM回歸模型來實現圖像濾波和圖像分類，然后通過實驗來驗證方法的可行性。本文研究具體內容如下：
　　 (1)圖像的生成、存儲、傳輸等過程中，不可避免的會產生黑白噪聲點即椒鹽噪聲，為了能去除這些噪聲點，本文給出了一種基于支持向量回歸模型的去噪方法，具體是通過先

3、使用MAX-MIN方法檢測出噪聲點，利用未被污染的信號點構建回歸函數，來回歸噪聲點的灰度值，該方法能有效的保護圖像細節(jié)和邊緣信息。
　　 (2)為了解決二叉樹SVM在分類過程的重分問題，給出了一種基于貝葉斯決策原理的二叉樹SVM，即bd-BTS。鑒于本文中為了更好的提高分類的準確類，給出了一種基于SVM回歸模型的分類方法，該方法在使用圖像特征進行構建分類決策函數時，同時使用這些圖像特征來構建圖像的SVM回歸區(qū)間。在使用該分類方法

4、分類的過程中，判斷由bd-BTS分類得到的結果是否落在回歸區(qū)間中，把落入回歸區(qū)間的作為結果輸出。
　　 (3)在最后通過使用MATLAB平臺和LIBSVM-mat軟件包對本實驗中的濾波方法和分類方法進行了實驗驗證。在濾波方面使用基于SVM回歸模型的濾波方法與其他方法進行對比實驗。在分類中，使用了基于SVM回歸模型分類方法及bd-BTS分類方法與其他常用的SVM方法進行了對比實驗。同時還使用本文給出的分類方法對受污染的圖像和污染處