基于支持向量機與神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究

1、國內(nèi)圖書分類號：TN957.52學(xué)校代碼：10213國際圖書分類號：621.396.9密級：公開工學(xué)碩士學(xué)位論文工學(xué)碩士學(xué)位論文基于支持向量機與神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究碩士研究生：王侖武導(dǎo)師：冀振元（副）教授申請學(xué)位：工學(xué)碩士學(xué)科：信息與通信工程所在單位：電子與信息工程學(xué)院答辯日期：2009年6月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文I摘要統(tǒng)計學(xué)習(xí)理論(StatisticalLearningThey簡稱SLT)是由

2、AT&TBel實驗室的Vapink及其合作者提出的可應(yīng)用于小樣本分析的統(tǒng)計理論。支持向量機(SupptVectMachineSVM)是基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理提出的一種有監(jiān)督的機器學(xué)習(xí)方法，被公認為小樣本情況下統(tǒng)計學(xué)習(xí)的經(jīng)典。SVM具有較好的泛化和學(xué)習(xí)能力，已被廣泛的應(yīng)用于諸多領(lǐng)域。本文將主要探討在醫(yī)學(xué)圖像中應(yīng)用支持向量機和神經(jīng)網(wǎng)絡(luò)這兩種先進的機器學(xué)習(xí)方法進行唾液細胞顯微圖像特征提取和分類識別，并且將重點放在支持向量機的分類

3、實現(xiàn)及其與神經(jīng)網(wǎng)絡(luò)分類性能的對比上。主要涉及到的部分包括：圖像預(yù)處理、特征提取和特征選擇、兩種分類器的建立、分類識別的實現(xiàn)、性能分析等部分。系統(tǒng)介紹了預(yù)處理的方法及其意義以及灰度、紋理、形態(tài)等特征提取方法，并介紹了過濾式(filter)特征選擇和Wrap特征選擇等方法。在仿真試驗中，用matlab實現(xiàn)SVM訓(xùn)練算法和神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，并就處理方式、分類性能進行對比，突出SVM在分類問題中的優(yōu)勢。本文為解決唾液細胞顯微圖像的自動化識別檢測