基于支持向量機(jī)的優(yōu)化在圖像分類中的應(yīng)用研究.pdf

1、圖像分類是指將圖像自動識別到不同語義類別或是預(yù)先設(shè)定的不同圖像類別中。隨著多媒體技術(shù)的成熟運用,圖像自動分類在圖像檢索、視頻分類、網(wǎng)絡(luò)信息過濾、遙感系統(tǒng)定位、可視場景目標(biāo)跟蹤等應(yīng)用領(lǐng)域都成為一項關(guān)鍵任務(wù)。隨之,許多分類和圖像特征描述技術(shù)也得到了長足的發(fā)展。
　　繼人工神經(jīng)網(wǎng)絡(luò)之后,支持向量機(jī)(SVM,Support Vector Machine)成為機(jī)器學(xué)習(xí)領(lǐng)域的一種十分有效和流行的方法,并在圖像識別分類方面得到廣泛應(yīng)用。

2、　　目前基于支持向量機(jī)的圖像分類的實現(xiàn)前提是數(shù)字圖像特征提取,其中使用較為頻繁的圖像特征包括顏色特征、紋理特征、形狀特征及空間關(guān)系特征。為了拉近圖像的高層語義與底層語義的距離,則需要將組織圖像特征的方法用于分類器的訓(xùn)練、學(xué)習(xí)。同時為了改進(jìn)支持向量機(jī)分類器在圖像分類中的應(yīng)用效果,還可對支持向量機(jī)的核函數(shù)及核參數(shù)進(jìn)行優(yōu)化研究。
　　本文首先分析了國內(nèi)外相關(guān)課題的研究動態(tài);其次簡述了SVM的圖像分類實現(xiàn)流程,詳細(xì)研究了各類圖像特征及目前

3、廣泛應(yīng)用中的特征提取方法;再次通過對SVM分類器的常用核函數(shù)算法及核參數(shù)選擇方法的研究,為加強(qiáng)分類器的分類性能而提出優(yōu)化選擇SVM分類器核函數(shù)、核參數(shù)的方法,同時使用高效的圖像特征提取組織方法與之匹配以克服傳統(tǒng)核函數(shù)較少融合先驗知識的弱點;接著將標(biāo)準(zhǔn)圖像數(shù)據(jù)庫Caltech-101、Caltech-256作為分類樣本在Matlab平臺上對所提出的支持向量機(jī)優(yōu)化方法進(jìn)行實驗對比、分析,驗證其中提到的優(yōu)化方法的有效性;最后總結(jié)了本文的主要工