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。     

结合模糊聚类与支持向量机的图像分割（英文）

提出一种新的混合的图像分割方法,利用模糊C均值聚类与支持向量机两种方法相结合。此方法首先将图像的空间分布信息作为支持向量机的特征分量,再用模糊C均值聚类获得的分类结果作为支持向量机所需的初始训练样本,并对图像的所有像素点进行分类,同一类中的像素点形成一个分割区域,以此获得图像分割。实验表明,此将模糊C均值与支持向量机结合的新方法获得的图像分割效果较好,在一定程度上解决了支持向量机特征维数过大所导致的维数灾难问题。     

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。     

基于决策树SVM分类器的感兴趣区域定位方法

感兴趣区域定位是提取目标特征,进行目标识别与跟踪等后续处理的重要基础.由于大尺寸遥感图像的光谱特性和目标形状均很复杂,通常采用的基于光谱特征的分割方法和基于边缘的区域生长技术不合适,从模式分类角度考虑遥感图像中感兴趣区域快速定位问题,提出一种基于决策二叉树支持向量机的纹理分类方法,将分类器分布在各个结点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.在SPOT图像上的实验结果表明,该方法实现感兴趣区域的快速定位有较高的分类正确率.     

边缘效应训练的模糊支持向量机及应用

通常支持向量机算法中每个训练样本的地位是平等的,而实际应用中我们发现边缘训练样本对支持向量机分类性能的贡献大于训练中心区域的样本,为此我们提出一种边缘效应的支持向量机训练算法。在训练样本中增加模糊隶属度属性,从而体现训练样本对分类的不同贡献,突出边缘样本的作用。最后结合卫星图像分割实验,对比证明了新算法的有效性。     

基于差分进化支持向量机的移动机器人可通过度预测

提出了一种移动机器人可通过度预测方法.给出了基于相对震动强度的可通度描述.通过提取典型地表图像的色彩和纹理特征并测量机器人通过该地表的相对震动强度建立训练样本集.使用差分进化算法优化支持向量机模型参数形成差分进化支持向量机对训练样本和相对震动强度进行拟合.在移动机器人运行过程中,线性分割前方地表图像形成预测子区域,通过...     

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。     

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。     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

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。     

Automatic clinical image segmentation using pathological modeling,PCA and SVM

Due to the presence of complicated topological and residual features, the segmentation of medical imagery is a difficult problem. In this paper, an automated approach to clinical image segmentation is presented. The processing of these images in our approach is divided into learning and segmentation stages to facilitate the application of principal component analysis with a support vector machine (SVM) classifier. During the initial learning stage, representative images are chosen to represent typical input images. These images are segmented using a variational level set method driven by a modeled energy functional designed to delineate the pathological characteristics of the images. Then a window-based feature extraction is applied to these segmented images. Principal component analysis is applied to these extracted features and the results are used to train an SVM classifier. After training the SVM, any time a clinical image needs to be segmented, it is simply classified with the trained SVM. By the proposed method, we take the strengths of both machine learning and the variational level set method while limiting their weaknesses to achieve automatic and fast clinical segmentation. To test the proposed system, both chest (thoracic) computed tomography (CT) scans (2D and 3D) and dental X-rays are used. Promising results are demonstrated and analyzed. The proposed method can be used during pre-processing for automatic computer-aided diagnosis.     

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.     

结合深度学习与相关反馈的遥感图像检索

目的 针对基于内容的图像检索存在低层视觉特征与用户对图像理解的高层语义不一致、图像检索的精度较低以及传统的分类方法准确度低等问题，提出一种基于卷积神经网络和相关反馈支持向量机的遥感图像检索方法。方法 通过对比度受限直方图均衡化算法对遥感图像进行预处理，限制遥感图像噪声的放大，采用自学习能力良好的卷积神经网络对遥感图像进行多层神经网络的监督学习提取丰富的图像特征，并将支持向量机作为基分类器，根据测试样本数据到分类超平面的距离进行排序得到检索结果，最后采用相关反馈策略对检索结果进行重新调整。结果 在UC Merced Land-Use遥感图像数据集上进行图像检索实验，在mAP（mean average precision）精度指标上，当检索返回图像数为100时，本文方法比LSH（locality sensitive Hashing）方法提高了29.4%，比DSH（density sensitive Hashing）方法提高了37.2%，比EMR（efficient manifold ranking）方法提高了68.8%，比未添加反馈和训练集筛选的SVM（support vector machine）方法提高了3.5%，对于平均检索速度，本文方法比对比方法中mAP精度最高的方法提高了4倍，针对复杂的遥感图像数据，本文方法的检索效果较其他方法表现出色。结论 本文提出了一种以距离评价标准为核心的反馈策略，以提高检索精度，并采用多距离结合的Top-k排序方法合理筛选训练集，以提高检索速度，本文方法可以广泛应用于人脸识别和目标跟踪等领域，对提升检索性能具有重要意义。     

基于模板匹配与支持矢量机的人脸检测

人脸检测是人脸识别与基于内容的图像及视频检索的一项重要任务。由于非人脸样本相对于人脸样本的多样性和复杂性，使得人脸模式分类器的训练十分困难。该文提出了一种将模板匹配与支持矢量机（SVM）相结合的人脸检测算法。算法首先使用双眼－人脸模板对进行粗筛选，然后使用SVM分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练SVM，有效地降低了训练的难度，实验结果的对比数据表明，该算法是十分有效的。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

Energy-based cloud detection in multispectral images based on the SVM technique

In this paper, the energy characteristics of Gabor texture are used for cloud detection in high-resolution multispectral images. First, the satellite remote-sensing image is divided into superpixels using simple linear iterative clustering (SLIC), and then, the energy characteristics of Gabor texture and spectral characteristics are computed by extracting the texture features of the superpixels. The features of the cloud superpixels are used as the learning sample of the support vector machine (SVM) classifier, and a classification model is obtained by training the SVM classifier. Finally, a cloud-detection experiment is conducted for various sensor images with three visible bands and one near-infrared band. The experimental results showed that the proposed method provides an excellent average overall accuracy for thick and thin clouds in a complex background of forests, harbours, snow and mountains. The characteristic parameters of this paper are not limited by the image parameters; thus, they provide good results and universality for various types of sensors.     

一种改进的SVM相关反馈图像检索方法*

提出了一种改进的支持向量机SVM( Support Vector Machine) 的相关反馈图像检索方法。在这种方法的交互过程中, SVM 分类器不仅对本次反馈过程中用户所提交的标记的正例和反例样本进行学习, 还对历次反馈过程中的正例和反例样本进行学习, 并根据训练后的分类器进行检索。实验结果表明, 该方法在样本集非常小的情况下, 仍可以检索出较多的相关图像, 在有限训练样本情况下具有良好的推广能力。