基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

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。     

EM聚类和SVM自动学习的白细胞图像分割算法

白细胞图像分割是白细胞自动识别的关键环节,其分割效果直接影响后续步骤.为提高光照、颜色不稳定情况下的分割精度,提出一种基于期望最大化(Expectation maximization,EM)聚类和支持向量机(Support vector machine,SVM)自动采样-学习的彩色白细胞图像分割方法.首先采用EM算法对CIELUV颜色空间的L分量聚类得到细胞核区域.在细胞浆分割阶段,先利用EM过分割和膨胀的细胞核区域获取正负样本候选区域;接着用基于EM的分层抽样得到正负样本;再提取颜色特征自动对正负样本训练获得SVM模型;最后科用SVM分类模型得到整个细胞区域.与传统的白细胞图像分割算法相比,本文方法更能适应图像光照和颜色的变化;与同类的分割算法相比,本文方法提高了分割精度.相关实验结果表明,本文算法具有良好的精度和鲁棒性.     

基于奇异值分解和支持向量机的人脸检测

人脸检测在自动人脸鉴别工作中具有重要的意义。由于人脸图像特征的复杂性和多样性，使得人脸模式分类器的训练十分困难。本文提出了一种基于支持向量机（SVM）的人脸检测算法，使用了奇异值分解对训练样本进行特征提取，再由SVM分类器进行分类，有效的降低了训练难度，采用二阶多项式作为SVM分类器的核函数，实验结果表明，该方法是十分有效的。     

结合支持向量机与C均值聚类的图像分割

针对支持向量机进行图像分割时需要用户设定训练样本问题,提出一种根据图像特征使用C均值聚类算法自动获取支持向量机训练样本的方法。首先将图像分成几个区域,对每个区域利用小波分解去掉含有图像边缘的区域,然后对剩余的平滑区域计算能量均值作为特征值,使用C均值聚类算法对平滑区域分类,将特征值与类别标记作为支持向量机的训练样本,最后用训练后的分类器对图像进行分割。实验结果表明提出的方法取得了很好的分割结果,同时用一幅有代表性的图像进行支持向量机训练,所产生的分类器可以应用于所有该类图像,因此可以很容易应用到体数据的分割中。     

一种结合训练样本筛选的SVM图像分割方法

基于支持向量的图像分割方法一般使用交互方式获取的训练样本,不可避免的在训练样本中引入歧义样本。这些歧义样本严重影响了基于支持向量机图像分割方法的性能。提出一种先对训练样本进行筛选,再进行分类(分割)的支持向量图像分割方法;并给出了一种基于支持向量机的样本筛选方法,可有效地降低歧义样本的影响。实验表明,经样本筛选的SVM分割方法有更好的分割性能。     

一种SVM与区域生长相结合的图像分割方法

作为一种全局门限处理方法,支持向量机图像分割方法不能完成对图像进行精细分割,其分割结果需要其他分割方法进一步处理。提出一种结合支持向量机和区域生长的交互式分割方法,不仅可有效剔除与感兴趣区域特征类似的非目标区域,而且把为SVM选择训练样本和为区域生长选择种子点两个步骤合二为一,从而提高了图像分割质量和交互式分割方法的自动分割能力。     

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征（光谱特征、纹理特征和形状特征）提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了“椒盐现象”,使自动分类的精度和效率得到较大提升。     

一种新的基于SVM和主动学习的图像检索方法

在基于内容的图像检索中,支持向量机（SVM）能够很好地解决小样本问题,而主动学习算法则可以根据学习进程主动选择最佳的样本进行学习,大幅度缩短训练时间,提高分类算法效率。为使图像检索更加快速、高效,提出一种新的基于SVM和主动学习的图像检索方法。该方法根据SVM构造分类器,通过“V”型删除法快速缩减样本集,同时通过最优选择法从缩减样本集中选取最优的样本作为训练样本,最终构造出不仅信息度大而且冗余度低的最优训练样本集,从而训练出更好的SVM分类器,得到更高的检索效率。实验结果表明,与传统的SVM主动学习的图像检索方法相比,该方法能够较大幅度提高检索性能。     

深度图像手势分割及HOG-SVM手势识别方法研究

针对深度图像静态手势识别问题,提出一种基于深度图像手势分割及HOG-SVM手势识别方法。该方法的具体做法包含以下四个步骤:第一步,对深度图像进行手势分割,对随机方向的手臂图像通过椭圆拟合算法计算其倾斜角度,并将其校正至垂直方向;第二步,对手臂图像进行距离变换,通过分析距离变换返回的距离矩阵精确定位手掌心、手腕及手臂在图像中的坐标;第三步,计算、优化手势图像的HOG特征;第四步,实时采集大量训练样本并获取其训练矩阵,对训练矩阵进行处理找到最优的SVM参数,使响应曲线的可区分度达到最佳以提高手势识别率。实验证明,所设计的系统在保证实时性、鲁棒性的同时也获得了很高的识别率。     

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。     

Color image segmentation using automatic pixel classification with support vector machine

Automatic segmentation of images is a very challenging fundamental task in computer vision and one of the most crucial steps toward image understanding. In this paper, we present a color image segmentation using automatic pixel classification with support vector machine (SVM). First, the pixel-level color feature is extracted in consideration of human visual sensitivity for color pattern variations, and the image pixel's texture feature is represented via steerable filter. Both the pixel-level color feature and texture feature are used as input of SVM model (classifier). Then, the SVM model (classifier) is trained by using fuzzy c-means clustering (FCM) with the extracted pixel-level features. Finally, the color image is segmented with the trained SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in compare with the state-of-the-art segmentation methods recently proposed in the literature.     

Color image segmentation using pixel wise support vector machine classification

Image segmentation is an important tool in image processing and can serve as an efficient front end to sophisticated algorithms and thereby simplify subsequent processing. In this paper, we present a color image segmentation using pixel wise support vector machine (SVM) classification. Firstly, the pixel-level color feature and texture feature of the image, which is used as input of SVM model (classifier), are extracted via the local homogeneity model and Gabor filter. Then, the SVM model (classifier) is trained by using FCM with the extracted pixel-level features. Finally, the color image is segmented with the trained SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in comparison with the state-of-the-art segmentation methods recently proposed in the literature.     

基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

Object-based urban structure type pattern recognition from Landsat TM with a Support Vector Machine

This study evaluates the potential of object-based image analysis in combination with supervised machine learning to identify urban structure type patterns from Landsat Thematic Mapper (TM) images. The main aim is to assess the influence of several critical choices commonly made during the training stage of a learning machine on the classification performance and to give recommendations for classifier-dependent intelligent training. Particular emphasis is given to assess the influence of size and class distribution of the training data, the approach of training data sampling (user-guided or random) and the type of training samples (squares or segments) on the classification performance of a Support Vector Machine (SVM). Different feature selection algorithms are compared and segmentation and classifier parameters are dynamically tuned for the specific image scene, classification task, and training data. The performance of the classifier is measured against a set of reference data sets from manual image interpretation and furthermore compared on the basis of landscape metrics to a very high resolution reference classification derived from light detection and ranging (lidar) measurements. The study highlights the importance of a careful design of the training stage and dynamically tuned classifier parameters, especially when dealing with noisy data and small training data sets. For the given experimental set-up, the study concludes that given optimized feature space and classifier parameters, training an SVM with segment-shaped samples that were sampled in a guided manner and are balanced between the classes provided the best classification results. If square-shaped samples are used, a random sampling provided better results than a guided selection. Equally balanced sample distributions outperformed unbalanced training sets.     

基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割

针对目前柑橘病虫害图像数据集较少,病虫害目标复杂、散漫,难以自动定位分割的问题,提出了一种基于超像素快速模糊C均值聚类(SFFCM)与支持向量机(SVM)的农业柑橘病虫害区域分割方法.该方法充分利用了SFFCM快速、鲁棒的优点,且融合了空间信息的特点,同时避免了传统SVM在图像分割上需要人工选择样本的缺点.首先,利用改...     

基于自动样本和PSO优化组合核的图像分割

彩色图像分割在图像处理中占据重要的位置。为避免手动选取图像样本的不可靠性,文中采用K-means预分类图像,再通过Matlab编程自动选取图像的HSV颜色空间的特征样本。文中提出分块的思想：对彩色图像处理前进行分块处理,可判断为背景或前景的子块直接输出,对需要分割的子块运用支持向量机（SVM）方法进行训练分割。线性组合全局核函数和局部核函数,选出适合图像分割的最优组合核函数并引入粒子群算法优化支持向量机（PSO-SVM）的核参数c、g。实验表明,文中方法是有效的,图像分割精度满意、稳定。