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。     

多分类支持向量机分割彩色癌细胞图像

在细胞彩色图像处理中,为了有效地计算与分析细胞各特征值,对细胞图像的精确的三域分割是细胞自动分析与识别的一个关键环节。提出利用多分类支持向量机对细胞彩色图像进行背景、胞浆与核的一次性三域分割,并且通过聚类分析的方法实现了在线训练,实验表明,该方法在细胞彩色图像的多域分割上,能获得较高的分割精度和较好的鲁棒性。     

基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

支持向量机的多目标图像分割算法仿真研究

研究图像的目标分割和识别优化问题,针对大量自然场景图像中分割出的各种不同日标,从各种背景分割出有意义的目标有困难.为了从图像中准确分割日标,提出了一种支持向量机( SVM)的多目标分割技术.首先将图像分割为较小的区域,并利用区域融合算法将其合并为语义日标.然后通过用户的交互,指定部分关键点和关键区域,并使用支持向量机算法,将图像中的各区域分类为关键区域,融合为最终的日标区域.试验结果显示方法能分割出图像中不同的目标,能够更好地保留图像分割细节信息,使分割结果与人眼视觉的判断标准相近,证明改进的方法能广泛适用于多日标自动识别.     

基于多光谱采集技术的骨髓涂片细胞分割方法

通过光学显微镜估计不同类型、不同成熟阶段的血细胞的相对数目对血液病的诊断具有十分重要的意义。由于骨髓中有核血细胞类数多,特征复杂,给自动分析造成极大困难。论文采用了一种新颖的多光谱成像技术,所采集的图像可以提供更多反映物质特性的光谱信息。在此基础上,探索性地将支持向量机用于骨髓细胞图像的分割。实验证明这种以多光谱技术为基础的分割方法推广性好,准确率非常高,并且明显降低了对采集设备情况和涂片质量的依赖性。     

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。     

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。     

基于支持向量机的连续超声图像集分割算法

针对传统的支持向量机（SVM）模型对连续超声图像集进行分割时需要为图像集中每张图片提取样本点来建立分割模型的问题,提出了一个对整个连续超声图像集的统一的SVM分割模型。首先,从图像的灰度直方图中提取灰度特征作为表征图像集中图像连续性的特征;其次,从图像集中选取部分图像作为样本,并从中提取像素点的灰度特征;最后,将各像素点的灰度特征与各像素点所在图像中表征图像集连续性的特征相结合,用SVM的方法训练出分割模型对整个图像集进行分割。实验结果表明,与传统SVM分割方法相比,新模型在面对大量的有连续变化的图像集的分割问题上,大幅地减少了人工选取样本点的工作量,并且在分割的准确率上也有保证。     

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。     

基于支持向量机的叶片图像分割

针对自然环境下的叶片图像分割,提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本,然后根据样本数据建立支持向量机分类决策模型,最后根据预测模型对整个图像像素点进行分类,将叶片图像从背景中分割出来。实验结果表明,该方法能够对含有反光区域的叶片实现准确分割,相比基于聚类的叶片分割算法分割精度更好,算法耗费时间更短。     

基于形态特征和SVM的血液细胞核自动分析

以形态学分析和支持向量机为基础,构建了一套血细胞核显微图像自动分析与识别系统。在细胞核分割阶段,提出基于支持向量机的血液细胞核彩色图像分割算法。在特征提取环节中,除使用常规形态特征外,提出了一种新的能有效反映核分叶数差异的形态特征——腐蚀退化因子。采用“one-against-one”策略的多分类SVM方法对血细胞进行分类识别。实验测试表明,该系统具有较高的识别精度,平均识别率达94.13%。     

基于支持向量机的遥感图像压缩方法

在分析遥感图像特征的基础上,提出了一种基于支持向量机(SVM)的遥感图像压缩方法。该方法采用小波变换把原图像分解成不同尺度的多个子带,对最低频子带系数采用DPCM直接编码,对其它频带系数采用SVM回归方法学习数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,从而实现数据压缩。实验表明,与同类压缩方法相比,该算法获得的恢复图像的主客观质量有明显提高。     

基于无监督聚类的约简支撑向量机

为解决标准支撑向量机算法所面临的巨大的计算量问题,Lee和Mangasarian提出了约简支撑向量机算法;但他们选取的“支撑向量”是从训练样本里面任意选的,其分类结果受随机性影响比较大。该文利用简单的无监督聚类算法,在样本空间中选取了一些具有较强代表性的样本作为“支撑向量”,再运用约简支撑向量机算法,有效地减少了运算量。实验验证文中方法可以用较少的“支撑向量”来得到较高的识别率,同时运行时间也大大缩短。     

SVM结合模糊方法在遥感图像分类中的应用

提出一种支持向量机(SVM)结合模糊方法的遥感图像分类算法。首先介绍了SVM基本算法及其在遥感图像分类中应用情况,然后针对SVM多类判别存在混分和漏分的缺陷,对混分和漏分样本采用模糊方法判决分类。实验证明该方法的分类精度优于单一的SVM方法、模糊方法或神经网络方法。     

SVM分类核函数及参数选择比较

支持向量机（SVM）被证实在分类领域性能良好,但其分类性能受到核函数及参数影响。讨论核函数及参数对SVM分类性能的影响,并运用交叉验证与网格搜索法进行参数优化选择,为SVM分类核函数及参数选择提供借鉴。     

Two ellipsoid Support Vector Machines

In classification problems classes usually have different geometrical structure and therefore it seems natural for each class to have its own margin type. Existing methods using this principle lead to the construction of the different (from SVM) optimization problems. Although they outperform the standard model, they also prevent the utilization of existing SVM libraries. We propose an approach, named 2eSVM, which allows use of such method within the classical SVM framework.This enables to perform a detailed comparison with the standard SVM. It occurs that classes in the resulting feature space are geometrically easier to separate and the trained model has better generalization properties. Moreover, based on evaluation on standard datasets, 2eSVM brings considerable profit for the linear classification process in terms of training time and quality.We also construct the 2eSVM kernelization and perform the evaluation on the 5-HT_2A ligand activity prediction problem (real, fingerprint based data from the cheminformatic domain) which shows increased classification quality, reduced training time as well as resulting model’s complexity.     

支持向量机在多类分类问题中的推广

支持向量机(SVMs)最初是用以解决两类分类问题,不能直接用于多类分类,如何有效地将其推广到多类分类问题是一个正在研究的问题。该文总结了现有主要的支持向量机多类分类算法,系统地比较了各算法的训练速度、分类速度和推广能力,并分析它们的不足和有待解决的问题。     

多类SVM分类算法的研究和改进

介绍分析了SVM基础理论和目前多类SVM分类算法及其优缺点,提出了一种边界向量抽取算法,并基于该算法改进了1ar和1a1两种多类SVM算法。实验结果表明该边界向量抽取算法可以有效的减少训练样本的数量,在保持分类器推广能力的条件下缩短SVM的训练时间,特别是在大样本训练数据时1arΔ可以提供最好的训练性能。