基于支持向量机方法的医学图像分割

医学图像分割是图像分割研究领域的难点问题。支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。论文采用支持向量机方法对医学图像进行分割研究。实验结果表明,支持向量机方法是一种很有前景的医学图像分割技术。     

基于支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小训练样本、高维情况下,具有较好的泛化性能。该文采用了支持向量机方法对多目标图像进行了分割研究。实验结果表明:模型参数对支持向量机方法的分割性能有较大的影响;对多目标图像的分割,支持向量机方法是一种很有前景的分割技术。     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

集成支持向量机在OCT血管内斑块分割中的应用与研究

OCT医疗图像作为近年来新兴的血管内斑块诊断技术正在迅速成长。为进行有效的OCT血管内斑块辅助语义分割,提出一种基于集成支持向量机(AdaBoost-SVM)的分割学习模型。采用遗传算法GA(Genetic Algorithm)对支持向量机模型的组合参数的选取进行优化以提升其分类性能。通过建立由多个基分类器组合的AdaBoost-SVM集成化分割模型,对OCT血管图像以像素列预测为基础进行准确分割。实验结果表明,在分割过程中相比较BP神经网络以及标准SVM方法,集成支持向量机在以像素列为基础的图像分割过程中具有更优的分割精度。     

改善的支持向量机图像分割分类器构造

构造分类器是图像分割中重要的处理环节,论文将先验知识引入支持向量机,对支持向量机做了改善,在改善的支持向量机基础上构造实现了一个分类器,重点是将为了检验分类器的有效性,通过对UCI机器学习数据库的数据进行的实验,实验结果表明改善的支持向量机分类准确率比支传统持向量机的准确率高。     

基于模糊隶属度函数的脑图像分割方法

为提高医学图像在组织边界不清晰以及灰度不均匀下的分割性能，提出一种基于多类样本间模糊距离的隶属度函数分割方法。通过磁共振序列测量确定反映磁共振图像脑部组织特性的映射图，经预处理后得到样本模糊标签；设计基于多样本类间模糊距离的隶属度函数确定各样本的隶属度，该隶属度的确定综合考虑了同类样本与不同类样本之间的空间距离，降低了同类样本之间的隶属度依赖；训练模糊支持向量机对三种主要脑组织进行分割。在脑图像公开数据集上的分割实验表明，改进算法可有效提高分割精度。     

基于相似度融合的主动支持向量机算法

提出一种基于相似度融合的主动支持向量机算法,利用未标记样本和标记样本,结合支持向量机的方法实现主动学习.实验结果表明,该算法与普通主动学习的支持向量机相比,在保证分类器性能的情况下,可以减少标记样本的数目,抑制孤立样本对分类器的影响;在相同标记样本数目的情况下,该算法具有较高的分类精度.     

基于球向量机的图像分割

由于图像数据量庞大,将标准支持向量机应用于图像分割时,其训练的时间复杂度较高。通过使用球向量机对图像进行分割,以降低训练过程消耗的时间。实验表明,在无噪声和有噪声情况下,使用球向量机对图像进行分割,其分割效果和抗噪性能与标准支持向量机的分割效果基本相同。然而,球向量机在训练过程中所消耗的时间显著小于标准支持向量机。应用球向量机进行图像分割,可以显著提高图像分割的整体性能。     

基于视觉注意的SVM彩色图像分割方法

提出一种基于视觉注意的自然场景彩色图像支持向量机（Support Vector Machine,SVM）分割方法。基于人类视觉注意机制将图像进行预分割,得到图像的显著区域和非显著区域,利用形态学操作对得到的图像进行处理,并自动选取和标注SVM的训练样本,用训练后的SVM分类器对整幅图像进行分割。该方法充分利用视觉注意机制方法的有效信息,解决了其边界不确定的缺陷,并且结合具有很好泛化性能的SVM学习方法,在无需先验知识以及任何人工干预的情况下,实现对自然场景图像的分割。为验证算法的有效性,分别从加州大学伯克利分校图像数据库及互联网选取多幅彩色图像进行实验,实验结果表明：该方法的分割结果不仅与人类视觉注意结果相一致,而且与伯克利图像数据库中人工标注结果相比,得到较好分割效果。     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势，并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理，因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后，用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

通过迭代学习简化支持向量机决策函数

支持向量机经过实践证明在小样本的情况下具有良好的泛化能力。但是在手写体数字识别的实验中，支持向量机被发现其在分类阶段的速度明显比神经网络要慢，因此在不影响支持向量机泛化能力的前提下简化支持向量机的决策函数。从而提高SVM的分类速度是很有意义的研究。利用迭代学习的方法来简化支持向量机的决策函数，实验证明本文的方法能够极大的简化SVM的决策函数，该方法易于实施。     

结合纹理特征的SVM岛礁信息提取分析

海岛生态系统具有丰富的生物多样性和重要的生态功能,近年来,我国海岛的生态环境正遭受人类活动的严重破坏,目前,需要通过海岛调查来掌握海岛利用信息,为保护和修复海岛生态环境提供技术支撑。运用高空间分辨率影像,基于珊瑚礁岛的遥感特性,耦合纹理特征,借助支持向量机良好的分类性能,特别在小样本、非线性及高维特征空间具有较好的泛化能力,构造支持向量机理论与算法。针对珊瑚礁岛信息提取,对SVM的核函数进行比较,可获得较为理想的函数,融合纹理变化参数能够较好地区分礁坪与沙滩,能够有效提取建筑用地信息。在此基础上,运用SVM方法再次进行分类,对图像进行预处理可提高分类精度,精度可达77.8%。     

基于PCA和SVM的交通事件自动检测算法

支持向量机分类在处理高维的小样本学习问题上具有优异的表现,特别是具有很好的范化能力。然而其在处理一些高维的原始数据时维数会有冗余,那么样本的主要特征必须被首先选出来以改善支持向量机的性能。将主成分分析技术引入以减少原始样本的特征维数,并且预先有效地预选取主要的特征。在所选取的特征空间中构建支持向量机改善学习速度和检测性能。在对I-880高速公路事件数据的仿真结果表明,所提出的基于主成分分析的支持向量机减少了误警率和平均检测时间。     

支持向量机和遗传算法的人脸识别方法

支持向量机是一种基于小样本学习的有效工具,作为分类器被认为具有很高的推广性能,无需先验知识。但是参数的选取与支持向量机的识别性能是相关的,核函数参数σ2和惩罚因子C对支持向量机识别性能会产生很大的影响。针对支持向量机在人脸识别问题中的应用,提出了一种基于遗传算法(GA)的参数选择优化方法。利用笔者曾提出的基于小波分解和积分投影的人脸特征提取算法对人脸图像进行特征参数提取,然后利用优化的支持向量机进行识别。实验结果表明,该方法是有效的。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

基于支持向量机的高速公路限速控制

提出用支持向量机回归方法实现高速公路限速控制,这是一个非线性系统建模问题。阐述了支持向量机回归算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制支持向量机回归模型。仿真实验表明,支持向量机回归对小样本具有训练速度快、泛化能力好等优点。支持向量机回归方法为交通流限速控制的在线建模提供了一种切实可行的新思路。     

结合深度学习和支持向量机的海马子区图像分割

目的 由于海马子区体积很小且结构复杂,传统的分割方法无法达到理想的分割效果,为此提出一种基于卷积神经网络和支持向量机的海马子区分割方法。方法 该方法构建一种新模型,将卷积神经网络和支持向量机结合起来,使用支持向量机分类器替换卷积神经网络的输出层,通过训练深层网络自动提取图像块特征,利用所提取的图像特征训练支持向量机实现图像的像素级分类。结果 实验选取美国旧金山CIND中心的32位实验者的脑部磁共振图像（MRI）进行海马子区分割测试,在定性和定量方面分别对比了本文方法与支持向量机（SVM）、卷积神经网络（CNN）和基于稀疏表示与字典学习方法的分割结果。所提方法对海马子区CA1、CA2、DG、CA3、Head、Tail、SUB、ERC和PHG的分割准确率分别为0.969、0.733、0.967、0.837、0.981、0.920、0.972、0.968和0.976。本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法,各海马子区分割准确率均有较大提升,对较大子区如Head,准确率较现有最优方法提升10.2%,对较小子区如CA2、CA3,准确率分别有36.2%和52.7%的大幅提升。结论 本文方法有效提升了海马子区的分割准确率,可用于大脑核磁共振图像中海马及其子区的准确分割,为诸多神经退行性疾病的临床诊断与治疗提供依据。     

基于一种改进粒子群算法的SVM参数选取

支持向量机作为一个新兴的数学建模工具已经被广泛地应用到很多工业控制领域中,其良好的泛化能力和预测精度在很大程度上受到其参数选取的影响.根据智能群体进化模式改进粒子群优化算法.利用模糊C均值聚类算法分类粒子群体,并用子群体最优点取代速度更新公式中的个体历史最优点,并利用该算法搜索支持向量机的最优参数组合.对比仿真实验表明:所提优化算法是支持向量机参数选取的有效算法,在非线性函数估计中体现出优良的性能.