利用支持向量机分割虚拟人切片数据*

为了提高虚拟人切片数据分割的自动化程度,提出了基于支持向量机的虚拟人切片数据分割方法。给出了分割策略、分割步骤,并讨论了切片数据分割中的支持向量机核及相关参数的选择。实验证明,利用虚拟人切片数据的空间相关特性,基于支持向量机的分割方法可较好地实现对相邻切片的自动分割。这种方法与其他方法相结合,可得到更加精确的分割效果。     

一种分割虚拟人彩色冰冻切片图像的混和方法

彩色冰冻切片图像的分割是数字虚拟人项目最为关键和基础的部分。本文提出一种新的基于支持向量机和分水岭算法相结合的混和分割方法，它利用分水岭算法修正传统支持向量方法获得的分割结果完成最终分割。实验表明，该方法可以更准确地对虚拟人彩色冰冻切片图像进行分割。     

一种新的基于二叉树的SVM多类分类方法

介绍了几种常用的支持向量机多类分类方法,分析其存在的问题及缺点。提出了一种基于二叉树的支持向量机多类分类方法（BT SVM）,并将基于核的自组织映射引入进行聚类。结果表明,采用该方法进行多类分类比1 v r SVMs和1 v 1 SVMs具有更高的分类精度。     

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Huffman树的多类SVM方法

提出了一种基于Huffman树的支持向量机多类分类方法.二叉树方法是一种常用的多类分类方法,它的关键问题在于如何构造合理的结构以获得较高的推广能力.为解决该问题,按照Huffman树的构造过程自下向上地构造二又树,使易于分割的类处于上层结点.实验结果表明,该方法与One-vs-One和DAGSVM方法的分类效果相当.     

多类SVM在图像艺术属性分类中的应用研究

针对当前图像分类研究中,依据图像艺术风格属性进行分类的算法尚不多见的情况,实现了一种基于艺术属性的图像自动分类系统,其中主要涉及摄影作品、国画、水彩画、素描、油画等几种典型艺术风格的图像。系统采用支持向量机（SVM）作为分类器,运用分等级的分类方法,提出了一种针对艺术属性图像分类的特定SVM二叉树多类分类算法;而后通过对各类图像艺术风格特征的分析,分别提取了有代表性的、区分度好且易于计算的特征;最后针对各级分类特性和分类器总体特性进行了实验分析,实验结果表明,系统具有良好的分类性能。     

图像语义分类的树结构SVM方法

为了减小低层视觉特征和高层语义之间存在的"语义鸿沟",提出一种采用树结构支持向量机实现图像底层视觉特征到高层语义的映射方法。利用二叉树结构构建支持向量机(SVM),在SVM核函数空间利用距离作为树节点处的分类度量。二叉树的结构可以大大减小语义分类的时间,而将距离较大的语义类先分离开保证了语义分类具有较高的准确率。实验证明,该方法在保证准确率的同时可以在较大程度上缩短分类检索时间。     

SVM图像分割方法的研究

支持向量机分类方法已应用于图像分割。本文以彩色图像分割为例,通过对支持向量机图像分割方法和基于灰度直方图图像分割方法进行比较研究。研究揭示:支持向量机图像分割方法是一种在SVM图像上的全局门限分割,并能自动获得默认门限值。使用支持向量机图像方法的这一特点,很容易使其它的分割方法与支持向量机方法相结合,产生新的混和方法。     

一种结合多特征的SVM图像分割方法

在分析了频域相位信息和纹理信息在表征图像特征方面的重要性之后,提出了一种结合相位一致和纹理特征的SVM图像分割方法。该方法将相位一致性统计特征、纹理特征和灰度特征一起组合成训练特征向量,采用支持向量机分类方法对图像进行分割。相对于传统方法,该方法提取的统计特征向量可以有效地反映图像边缘细节和纹理信息。实验结果表明,该方法比传统的SVM图像分割方法更有效,尤其适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。     

基于球结构的完全二叉树SVM多类分类算法

针对一般的SVM方法不能有效地处理不平衡样本数据及现有的偏二叉树结构SVM分类器速度慢的这两个问题,提出了一种基于球结构的完全二叉树SVM多分类算法。该算法利用球结构的SVM考虑了每个类的分布情况,能有效地处理不平衡样本数据;构建完全二叉树结构,使得同层节点所代表的SVM分类器可以并行工作,能提高其训练和分类速度,分类速度相当于折半查找。实例验证两者结合后的算法可实现准确且高效的多类分类。     

SVM用于基于块划分特征提取的图像分类

在基于内容图像检索中,图像的底层视觉特征和高层语义概念之间存在着较大的语义间隔。使用机器学习方法学习图像特征,自动建立图像类的模型成为一种有效的方法。本文提出了一种用支持向量机(SVM)实现自然图像自动语义归类的方法,基于块划分聚类得到特征向量作为SVM训练样本,实现语义分类器。由于参与聚类的是某类图像所有块的特征,提取的特征更能反映某一类图像特征。实验证明这种方法是有效的。     

结合SVM和KNN的Web日志挖掘技术研究方法

将SVM和KNN算法结合在一起,组成一种新的Web文本分类算法——SVM-KNN算法。当Web文本和SVM最优超平面的距离大于预选设定的阈值,则采用SVM进行分类,反之采用SVM作为代表点的KNN算法对样本分类。实证结果表明,SVM-KNN分类算法的分类精度比单纯SVM或KNN分类算法有不同程度的提高,为Web数据挖掘提供了一种有效的分类方法。     

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。     

基于支持向量机和灰度共生矩阵的纹理图像分割方法

图像分割是计算机视觉领域的研究热点。灰度共生矩阵是图像灰度的二阶统计度量,反映了纹理图像灰度在方向、局部邻域和变化幅度的综合信息,以能量、对比度、熵、差方差和差熵作为纹理图像的特征,利用支持向量机(SVM)对这些特征进行训练和分类,以达到纹理图像分割的目的。详细说明了纹理图像的分割过程,同时分析了不同参数情况下对分割精度的影响。针对Brodatz纹理库的实验结果表明:该方法具有较好的分割效果。     

SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

基于One-class SVM的噪声图像分割方法

为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题,提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型。首先,基于One-class SVM构建一种数据离群程度检测机制;然后,将离群程度值引入能量泛函,令分割模型可以在多种噪声强度下获得较为准确的图像信息,同时避免现有方法在强噪声环境下,降权机制失效的问题;最后,通过最小化能量函数,驱动分割轮廓向目标边缘演化。在噪声图像分割实验中,当选取不同类型和强度的噪声时,该模型均能得到较为理想的分割结果。在F₁-score评估标准下,该模型比基于局部相关熵的K-means（LCK）模型高0.2~0.3,在强噪声环境下具有更高的稳定性,且在分割收敛时间上仅略大于LCK模型0.1 s左右。实验结果表明,所提模型在未显著增加分割耗时的前提下,对于概率、极值及混合噪声均有着更强的鲁棒性,并且可以分割带有噪声的自然图像。     

多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。