SVM用于基于内容的自然图像分类和检索

在传统的基于内容图像检索的方法中，由于图像的领域较宽，图像的低级视觉特征和高级概念之间存在着较大的语义间隔，导致检索效果不佳．该文认为更有现实意义的做法是，缩窄图像的领域以减小低级特征和高级概念间的语义间隔，并利用机器学习方法自动建立图像类的模型，从而提供用户概念化的图像查询方式．该文以自然图像领域为例，使用支持向量机(SVM)学习自然图像的类别，学习到的模型用于自然图像分类和检索．实验结果表明作者的方法是可行的．  

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较，人工神经网络（ＡＮＮ）方法应用于遥感影像分类，不需预先假设样本空间的参数化统计分布，具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ），其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点，在实现快速学习的同时，  

遥感图像分类方法评析与展望

从遥感图像分类的基本概念和特征出发，在对各算法进行划分基础上，分析评价了主要遥感图像分类方法的原理、特点，优势与限制，并阐明了各主要方法作用及其意义，指出目前存在的问题，展望了遥感图像分类方法的发展与应用前景。  

Training Invariant Support Vector Machines

Practical experience has shown that in order to obtain the best possible performance, prior knowledge about invariances of a classification problem at hand ought to be incorporated into the training procedure. We describe and review all known methods for doing so in support vector machines, provide experimental results, and discuss their respective merits. One of the significant new results reported in this work is our recent achievement of the lowest reported test error on the well-known MNIST digit recognition benchmark task, with SVM training times that are also significantly faster than previous SVM methods.  

QuickBird卫星图像信息识别

信息识别是目前高分辨率遥感应用中的最大障碍。以株洲市Qu ickB ird图像为研究对象,将研究区分为道路、水、林地、农用地、裸露地和居民点6种地类,分别进行目视判读、计算机监督分类和非监督分类,其精度分别为98.2%、72.64%和60.71%。同时,还对研究区内的Qu ickB ird、ETM+和TM图像进行计算机监督和非监督分类对比,结果表明无论是监督分类还是非监督分类,Qu ickB ird图像的分类精度均低于ETM+和TM图像,这说明空间分辨率的提高对传统的计算机分类结果没有改善,传统的基于像元的分类技术在应用于Qu ickB ird图像时表现出严重的缺陷。因此,本文回避了像元灰度统计法,采用先将图像分割,将以像元为基础的Qu ickB ird图像转化为以对象为基础的图像,这样将研究区共分割出10 000多个对象,建立对象的面积、周长、长度、宽度、长/宽、矩形度和圆形度计算模型;根据研究区各地类特征确定特征因子阈值,模拟目视判读过程,重新对研究区进行分类,结果6种地类的综合分类精度达到91.6%,这说明基于对象的多特征分类对于Qu ickB ird图像识别有明显的改善作用。  

用于遥感图象分类的神经网络的构造

径向基子数神经网络和多层感知器神经网络具有相似的拓扑结构，它们大都用于目标的分类。对两种模型进行了比较，提出了一个构造径向基函数神经网络分类器的有效方法，并把构造的分类器用于遥感图象的分类实验，取得了比较好的结果。  

一个医学图像分类器的设计

提出了一个基于径向基函数网络的医学图像分类器。该系统包括图像预处理、特征提取、分类器的构造几个部分。在网络构造上，文章采用了自适应的网络结构调整技术，提高了网络的泛化能力，同时，在网络权值调节上采用了具有全局优化的模拟退火算法，避免了陷入局部极小的缺陷。实验结果表明，该模型系统达到了76．6％的准确率，辅助系统可以极大地提高医学图像分类的效率和准确性。  

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。  

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点，提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合，采用神经网络来实现模糊推理，利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的，从而使系统具备了自适应的特性，实验结果表明，这种基于模糊高斯基孙数神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。  

一种基于粗糙集理论的票据图像识别分类方法

本文根据票据图像的版面特点,选取表格线、背景信息及纹理信息作为主要特征,采用粗糙集理论进行特征属性约简、规则提取及规则约简。并提出了一种基于多规则集的综合决策分类方法,巧妙的利用其分类及拒识的特点,有效地实现了票据图像分类。