基于支持向量机的纹理图像分类算法

研究纹理图像的分类问题,纹理特征提取和分类器设计是决定分类正确率高低的关键。由于库存图像较多,且质量受到噪声影响,使图像特征提取比较困难。针对传统特征提取和分类算法分类正确率不高的难题,提出一种基于支持向量机的纹理图像分类算法。首先采用Gabor滤波器对纹理特征进行提取,采用主成分分析对提取后的特征进行选择,最后采用支持向量机进行纹理图像的分类。采用Brodatz纹理库进行测试实验,实验结果表明,支持向量机分类算法提高了纹理图像的分类正确率,降低了误分率和拒分率,且分类速度加快,适用于更为复杂的纹理分类,为图像提取提供了参考。     

基于SVM算法和纹理特征提取的遥感图像分类

遥感图像分类是遥感图像处理领域中的一个重要的研究方向,传统的遥感图像分类方法根据像素值进行分类,忽视了遥感影像中丰富的纹理特征信息.小波分析通过引入宽度可变的窗口,可以同时对信号的局部信息进行频率域和时间域的变换.小波分析算法可以有效地提取出图像中的纹理特征信息.支持向量机算法是20世纪90年代提出的一种新的机器学习算法,通常被用来进行模式识别和分类.结合小波纹理提取算法,利用支持向量机进行遥感图像分类.研究结果表明,结合纹理特征的支持向量机分类的效果优于直接对灰度图像进行分类.     

基于SVM的SAR图像分类研究

支持向量机（SVM）是一种卓越的分类方法,灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,而纹理是合成孔径雷达（SAR）图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。     

基于复小波和支持向量机的纹理分类法*

针对图像纹理分类问题,提出了一种将二元树复小波变换与支持向量机相结合的分类方法,通过二元树复小波变换对纹理图像进行四层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用支持向量机作为分类器实现纹理图像分类。对20类Brodatz纹理图像的分类实验表明,提出的方法具有较高的分类精度,在有限训练样本的情况下比传统的分类算法平均正确率有10%左右的提高,体现了该方法的有效性和良好的泛化能力。     

基于多特征和支持向量机的风景图像分类

本文提出了一种基于多特征和支持向量机的风景图像分类方法.首先,通过深入分析风景图像在视觉内容上的显著特点,利用融合颜色、纹理和形状等多种特征的方式来描述图像;其次,采用一种加权主成分方法对提取的高维图像特征进行有效降维;最后,运用基于支持向量机的分类器对图像进行分类.经试验验证,本文中提出的方法对风景图像有较好的分类效果.     

基于支持向量机和纹理特征的人脸识别

提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。     

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想,提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取,根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。     

基于Gabor变换的纹理分类与识别

自然纹理图像复杂多样,目前国际上没有明确的分类标准,利用中文自然语言中的纹理概念词对常见的自然纹理进行基于概念的分类,并建立了自然纹理图像库。提出了Gabor频谱滤波提取纹理特征的方法,大大提高了计算速度。以支持向量机为分类器,并与传统的基于BP神经网络的识别方法进行对比,实验验证了该分类方法的有效性。     

EMD-SVM在纹理图像识别中的应用

为了提高纹理图像识别的准确率,提出了一种经验模式分解和支持向量机（EMD-SVM）在纹理图像识别中的应用。首先采用经验模式分解对原始信号进行分解,得到一组固有模式函数;然后采用固有模式函数和残差之和构建特征子集,并用支持向量机对不同的特征进行纹理分类识别;最后对不同的自然纹理图像进行实验,并将结果与小波变换和支持向量机的纹理图像识别做了比较。实验结果表明, EMD-SVM的纹理图像识别率和识别精度高于小波变换和支持向量机的纹理图像识别。     

一种新的自然纹理分类方法

纹理分类一直是图像处理领域重要的研究课题之一。目前,用数学方法描述纹理特征从而进行纹理分类非常流行,但这些方法无法消除纹理视觉特征和人们理解的纹理概念之间的语义障碍。提出了一种新的基于中文自然语言纹理描述词的纹理方法,把常见的自然纹理分为10大类别,然后利用小波包分解和最小二乘支持向量机对自然纹理进行分类,实现了纹理的视觉特征到语义描述的转换。实验结果证明,该方法在图像理解和基于自然语言的图像检索中有助于缩小纹理特征的数学描述和人类理解之间的“语义鸿沟”。     

多特征融合的瓷砖表面缺陷检测算法研究

鉴于单一特征在瓷砖种类较多的情况下,存在对瓷砖表面缺陷内容表达不明显,导致复杂瓷砖识别率较低。针对这个问题,在词袋模型（BoF）框架的基础上,提出一种有效的多特征融合算法用于瓷砖缺陷检测。该算法采用改进后的SIFT和颜色矩融合特征作为瓷砖图像的区域特征描述;根据每种特征对瓷砖被分类的准确率大小,给提取到的两种区域特征分配各自的权重系数实现特征的加权融合;形成综合特征向量送入SVM分类器达到瓷砖缺陷分类的目的。通过不同类型的瓷砖样本进行实验表明,该算法识别率高,对复杂瓷砖能实现较好的分类。     

基于机器视觉的随机纹理瓷砖的分选系统

针对日益加快的瓷砖生产速度与缓慢的人工分选速度之间不协调导致的瓷砖出产效率低下的问题,提出了以机器视觉软件HALCON 11.0为软件开发平台的结合瓷砖颜色、纹理特征提取的算法,以及针对多分类问题的改进多层感知器神经网络算法(MLPNN).首先对拍摄到的瓷砖图像进行去噪预处理,在HSI颜色空间中提取瓷砖的色调(Hue)特征并计算反映瓷砖的纹理特征的灰度共生矩阵(GLCM)和灰度幅值分布特征,再将得到的特征作为多层感知器的神经网络输入层神经元,然后设计以softmax为激活函数的多层感知器神经网络来进行模式匹配,并与BP神经网络模式匹配方法进行对比,最终搭建出具有简单人机交互界面的随机纹理瓷砖的分选实验样机.实验结果表明:本系统对实验的各类随机纹理瓷砖的分选准确率都在90%以上,具有较高的分选准确率,能应用于瓷砖生产实践.     

基于傅里叶变换的随机纹理瓷砖的高精度表面缺陷检测

针对经典缺陷检测算法不能很好地提取随机纹理瓷砖图像的缺陷的问题,提出一种基于傅里叶变换的随机纹理瓷砖表面缺陷高精度检测方法。在此基础上,完成了瓷砖表面缺陷检测硬件系统设计。对采集的瓷砖图像,首先利用傅里叶变换得到频率谱图像,然后研究截止频率参数对滤波的影响,设计最优化滤波器进行滤波,再通过傅里叶逆变换获得重构图像,达到抑制背景纹理信息,加强缺陷区域信息的目的,最后通过阈值化和形态学操作获得缺陷区域。实验结果表明: 本方法对不同的随机纹理瓷砖样本进行缺陷检测的准确率高,在瓷砖缺陷检测中具有较高的实用价值。     

基于SVM的图像纹理特征分类研究

支持向量机（SVM）是一种表现卓越的分类方法,而灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,故而本文提出了一种使用灰度共生矩阵进行特征提取的应用支持向量机的纹理特征分类法。实验结果表明,与直接应用灰度信息进行分类的支持向量机算法相比,本文方法可以取得更为准确的分类结果。     

基于改进支持向量机的隐写分析方法

为了更有效地提高图像隐写分析的速度和正确检测率,提出了一种基于改进的支持向量机的隐写分析方法。采用Fridrich提出的多特征融合提取算法对图像进行特征提取,克服了单一特征不能很好描述图像差别的不足。然后提出了一种将最小二乘法与超球体一类支持向量机（HSOC-SVM）相结合的分类器——最小二乘超球一类支持向量机（LSHS-OCSVM）,并与目前广泛使用的FLD和非线性SVM分类器作对比实验。结果表明,方法是一种有效、高速的隐写分析方法。     

多特征融合的脑电情绪分类

为进一步探究不同类型特征互补性对脑电情绪分类的影响,提出一种基于多特征融合的脑电情绪分类新方法。对预处理后的脑电信号进行DE、MST和SampEn特征提取,采用双样本T检验去除冗余筛选出最优特征并融合,采用SVM分类模型来识别不同的情绪状态。在SEED-Ⅳ数据集上的实验结果表明,单一特征中DE的平均分类准确率最高（77.86%）,而融合非线性SampEn特征与功能连接MST属性后平均分类准确率得到进一步提升（84.58%）,不同时间段采集的数据上重测实验则证明了该方法的有效性与稳定性。     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,与能够表示标志图像内部纹理信息的局部二值模式（LBP）特征融合得到降维后的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别率,而且降低了时间复杂度,增强了系统鲁棒性。     

基于正样本和未标记样本的遥感图像分类方法

传统分类器的构建需要正样本和负样本两类数据。在遥感影像分类中,常出现这样一类情形：感兴趣的地物只有一种。由于标记样本耗时耗力,未标记样本往往容易获取并且包含有用信息,鉴于此,提出了一种基于正样本和未标记样本的遥感图像分类方法（PUL）。首先,根据正样本固有特征并结合支持向量数据描述（SVDD）从未标记集筛选出可信正负样本,再将其从未标记集中剔除;接着将其带入SVM训练,根据未标记集在分类器中的表现设立阈值,再从未标记集中筛选出相对可靠的正负样本;最后是加权SVM（Weighted SVM）过程,初始正样本及提取出的可靠正负样本权重为1,SVM训练筛选出的样本权重范围0~1。为验证PUL的有效性,在遥感影像进行分类实验,并与单类支持向量机（OC-SVM）、高斯数据描述（GDD）、支持向量数据描述（SVDD）、有偏SVM（Biased SVM）以及多类SVM分类对比,实验结果表明PUL提高了分类效果,优于上述单类分类方法及多类SVM方法。     

基于频率谱处理的瓷砖纹理分类方法

针对瓷砖在线分类检测中,一些瓷砖品种的纹理难以定量化描述,且种间色差、亮度差难以区分的问题,提出一种基于频率谱处理的瓷砖纹理分类方法。首先采用基于高斯滤波的方法增强纹理并消除低幅值噪声,从而加强了对低质量图像的适应性。然后通过离散傅里叶变换得到频率谱图像,去除直流分量和高频成分后既可以突出纹理信息又抑制了高频噪声的影响。最后与预设模板库比较,采用图像匹配法计算距离,利用最小距离分类法实现分类,满足对各种纹理瓷砖的适应性以及在线分类快速性要求。实验结果表明,该方法对不同的瓷砖样本区分度高,对同类样本鲁棒性好,分类准确率高,在瓷砖在线分类检测中具有较高的实用价值。     

基于多种LBP特征集成学习的车标识别

针对车标图像的分类难问题，提出基于多种LBP特征集成学习的车标识别算法。利用车牌与车标的相对位置关系粗定位车标区域；根据车标背景纹理特征使用不同的算子进行边缘检测，进而实现背景消融，采用投影方法精确确定车标位置；将车标图像分块，应用CSLBP算子提取每个像素点邻域特征，将车标所有像素点邻域特征合成精细的纹理特征，运用LBP直方图算法提取车标区域的空间结构特征，再采用SVM和BP分别训练这两种特征，得到投票决策矩阵，利用加权求和的规则融合决策矩阵，构成最优集成分类器，输出车标类别。实验结果表明，该算法的识别率明显优于单一的特征和分类器。