雷静[1]2003年在《支持向量机在基于边缘检测的图像分割和函数估计中的应用》文中研究说明支持向量机是近些年发展起来的一种新的机器学习的方法。它以统计学习理论为基础，能够较好的解决小样本的学习问题。由于其出色的学习和推广性能，支持向量机已经被应用到许多方面，例如：文本分类、人脸识别、指纹识别等等。本文将重点讨论支持向量机在两个方面的应用：基于边缘检测的图像分割和函数估计。 在基于边缘检测的图像分割中，本文应用支持向量机分类的原理对组成图像的像素的某种特性(灰度值)进行学习，根据“支持向量”判断出目标与背景的边界从而将图像进行分割。本文中我们分别采用了两种方法——两类分类与单类分类。它们分属于有监督学习与无监督学习。这两种方法最大的区别就在于学习样本是否包含有预先规定好的输出值。详细的原理和学习过程可参见正文第叁章。 函数估计主要包括两个方面——参数拟合及微分方程边值问题。受神经网络方法的启发，本文采用了支持向量机回归的原理。只要事先假设出所求函数的表达式，然后根据已知的微分关系和边界条件对待求函数进行约束将原问题转化为二次规划问题，再采用支持向量机回归算法对样本进行学习即可求出参数，确定待定函数的关系式。
朱家群[2]2007年在《支持向量机及其在医学图像可视化中图像分割的应用研究》文中进行了进一步梳理支持向量机(Support Vector Machines,简称SVM)是Vapnik等人提出的一类新型机器学习方法。由于其出色的学习性能,该技术己成为机器学习界的研究热点,并在很多领域都得到了成功的应用,如人脸检测、手写体数字识别、文本自动分类等。但是作为一种新兴技术,SVM在很多应用领域的研究还有待探索和完善。例如:训练算法缺乏容噪性能、训练集大小具有上界、训练算法的完善、不支持增量学习、缺乏和先验知识的整合能力等等。这些问题的存在,使得SVM在很多领域的应用受到了很大限制。本文提出了用基于支持向量机的方法来实现核磁共振左心室图像的自动分割方法。首先用经过训练的支持向量机(SVM)在二维图像中进行识别和定位左心室目标区域并进一步找出边缘区域,采用一种改进的训练方法来提高SVM识别率,然后在足够准确的区域中利用梯度方法找出边缘点,并把他们连接起来,找出目标的边缘,达到分割的目的。实验表明,这种分割方法降低了SVM对背景图像的敏感度,提高了SVM识别率。
徐淑萍[3]2008年在《基于支持向量机的图像分割研究综述》文中研究指明图像分割和目标分类是数字图像处理领域中两个重要的研究课题。建立在统计学理论基础之上的传统学习分类方法在这两个研究课题中得到了广泛的应用。传统学习分类方法是以经验风险最小化取代期望风险最小化,即渐进理论,但这种取代只有当训练样本数趋于无穷时,最小化经验风险与最小化期望风险之间的偏差才能达到理论上的最小。然而在实际应用中,训练样本数趋于无穷这一前提条件往往得不到满足,特别当问题处在高维空间时更是如此。因此,一些理论上非常优秀的学习分类方法在实际应用中的表现却可能不尽人意。与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本学习问题建立了一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐进性的要求,而且追求在现有有限信息的条件下得到最优结果。建立在统计学习理论的VC维理论和结构风险最小化原理基础上的支持向量机方法已经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、高维非线性情况下,具有较好的泛化性能。支持向量机是Vapnik及其研究小组提出的一种全新的模式识别技术。在使用结构风险最小化原则替代经验风险最小化原则的基础上,支持向量机综合了统计学习、机器学习和神经网络等方面的技术,并被证明在最小化结构风险的同时,有效地提高算法的推广能力。由于其完备的理论基础和良好的实验结果,支持向量机日渐引起研究人员的重视。目前将其应用于图像分割的方法研究还比较肤浅,有待深入研究和进一步完善。现有的基于支持向量机的图像分割方法大多都是针对具体图像提出的,比较零散。为此,本论文对支持向量机方法及其在图像分割中的应用研究进行了系统综述,以期能为对基于支持向量机方法进行图像分割感兴趣的读者提供参考。本论文首先从支持向量机的发展背景、基本思想、基本算法以及方法特点进行了详细综述,然后对基于支持向量机的图像分割方法进行了系统综述和分析。本论文的主要内容安排如下:第一章综述了课题背景,综述了图像分割的相关概念、图像分割技术以及发展趋势;第二章概述了统计学习理论的主要内容;第叁章综述了支持向量机的基本思想、基本算法以及支持向量机方法的特点;第四章详细综述了基于支持向量机的图像分割方法;第五章做了总结和展望。
蔡磊[4]2010年在《SVM及其扩展算法在图像处理中的应用研究》文中研究表明图像是信息的一种重要来源,对数字图像的处理已经成为国内外研究的一项重点。图像分割作为图像处理中的重要环节,已经引起大量研究者的关注。由于图像分割无统一的分割标准,传统的分割方法仅适用于特定的应用。而利用支持向量机算法进行图像分割,被证明是一种较为普遍适用且分割效果良好的方法。然而,由于支持向量机算法本身存在计算量大的缺点,在应对如图像分割等大规模数据处理领域时,其计算复杂度高。因此,如何降低算法的计算复杂度,成为支持向量机应用于图像处理的一个关键环节。本文针对支持向量机中的二次规划问题,利用核向量机和球向量机来对大规模数据进行学习,从而验证其有效性和优越性。两种算法都以几何算法来求解二次规划问题,大大降低训练过程中的计算复杂度。实验表明,在对大规模数据进行学习时,核向量机和球向量机的学习误差率与标准的支持向量机相当。但在训练过程中算法的时间复杂度和空间复杂度远小于标准的支持向量机。而球向量机作为核向量机的扩展算法,其算法的性能明显优于核向量机。因此,球向量机更加适合对大规模数据进行学习。在图像分割中,考虑的特征越全面,分割的效果越好。本文采用在样本图像上移动一个5×5大小的窗口的方法,来分别提取特征。所提取的特征包括像素值本身、邻域统计特征和整个窗口的纹理特征。从图像中所提取出的特征值较大,因此选用球向量机对图像进行分割。实验表明,采用球向量机对图像分割时,其分割效果和抗噪性与标准支持向量机相当。然而球向量机的计算复杂度要小于标准支持向量机,并且训练所需时间较短。因此,使用球向量机对图像进行分割,避免了支持向量机训练速度慢的缺点,可显着提高图像分割的整体性能。
何德伟[5]2007年在《支持向量机在交通标志识别中的应用》文中认为随着社会的进步与经济的快速发展,城市交通拥挤与堵塞现象日趋严重,成为现代城市发展的主要瓶颈之一,交通安全事故亦引起各国社会的普遍关注。在这种情况下,人们开始投入智能交通系统(ITS)的研究,智能交通系统(ITS)包括智能基础设施和智能车辆,其核心技术涉及模式识别、图像处理、数字信号处理、人工智能、电子技术、信息技术、通信技术和系统工程技术等,是一门综合性技术。目前,各国都在致力于ITS的研究和构架。道路交通标志识别(TSR)系统是智能车辆的重要组成部分,它在车辆行驶过程中对出现的交通标志信息进行采集和识别,可及时地向驾驶员做出指示或警告,或者直接控制车辆的操作,以保持交通通畅和预防事故的发生。交通标志识别的重点和难点在于交通标志的分割、特征提取以及分类识别器的设计。本文在将交通标志从复杂的背景中进行分割的研究中,通过对交通标志外形特点和色彩特征的研究,提出了一种减弱光照影响的基于RGB模型的交通标志分割方法。在RGB模型中R,G,B分量极易受光照的影响,但是叁种色彩对应下分量的差值却保持在一定的范围之内,即受光照影响不大。这就是本文提出的基于RGB模型的交通标志分割新方法。该方法可以直接对采集到的图像进行分割,避免了计算量复杂的模型转换,提高了算法的运算效率。在此基础上,本文对大量交通标志进行了图像分割实验,实验表明这种方法对交通标志的分割效果很好。特征提取是构造交通标志识别器的前提,提取能够表达交通标志类型的特征对交通标志识别器尤为重要。由于物体的不变矩具有尺度、平移和旋转不变性,所以不变矩在目标识别中的应用广泛。本文通过对不变矩理论的研究,将Hu不变矩进行推广,得到10个相对矩,这10个相对矩同样具有尺度、平移和旋转不变性。由于采用矩之间的比值去掉了比例因子u_(00),从而使不变矩公式与面积或结构的比率缩放无关,所以也适用于区域封闭和不封闭的结构。本文对部分交通标志提取了相对矩,并对数据和不变矩作为交通标志特征的可行性进行了分析。由于支持向量机的特点以及在模式识别分类中体现出的巨大潜力,本文对统计学习理论和支持向量机原理进行了大量的研究工作,提出了基于决策树支持向量机的多分类器的交通标志识别模型。通过大量实验和比较,本文得到了识别效率高的模型,并将这一模型应用到本文研究的交通标志识别系统,对系统作了初步的实现。
郭磊[6]2007年在《基于支持向量机的真实头模型叁维重建方法的研究》文中指出支配人类一切活动的中枢是高度进化的大脑。脑科学研究的任务就是采用各种现代科学方法来揭示脑功能的奥秘,在生命科学中具有重大的意义。其中,对脑内叁维电场的分析是当前研究的热点。而该项研究的先决条件就是首先要构造出人类真实的头模型。本课题运用支持向量机理论,利用核磁共振(Magnetic Resonance Imaging, MRI)图像序列成功地构造出颅内7类组织的真实模型。本课题主要在以下几个方面展开研究:(1)MRI图像滤波:对MRI图像滤波可以获取高质量图像,为后期高精度的图像分割和重建奠定基础。MRI图像最重要的特征就是灰度的复杂变化,使传统的滤波方法不能适应这种复杂图像。本课题采用适配模板滤波算法,该算法不仅能有效地滤除噪声,而且还能最大程度的保留有用信息。但该算法中阈值选取是一个复杂的问题,直接影响着滤波的效果。本课题将免疫算法和适配模版滤波算法有机结合,提出免疫适配模版滤波算法,有效地解决了阈值选取问题,使适配模版滤波方法更加完善。实验结果表明,免疫模板滤波算法取得了满意的滤波效果,无论从视觉效果上还是滤波性能上,均优于传统滤波算法,是一种适合复杂医学图像处理的滤波方法。(2)MRI图像分割:在数据预处理方面,由于支持向量机推广能力在很大程度上依赖于特征向量的选取及其空间分布,本课题为每个像素计算其各种纹理测度和由灰度派生出的统计参数作为特征向量,并应用主成分分析方法进行特征降维。经主成分分析处理后的数据不仅消除特征向量中线性相关的冗余成分,使数据量大大减少,增强了图像信息,并使得为支持向量机所准备的样本空间更为紧凑、合理。这也正是将主成分分析与支持向量机技术有机结合,以寻求更高推广能力的本质原因。在头颅MRI图像中,颅内各组织的边界极其复杂且不规则,呈高度非线性。这对传统的分割算法提出了严峻的挑战。支持向量机恰恰在解决高维、非线性及不规则分类问题上具有强大的优势。本课题运用支持向量机理论对MRI图像进行分割。本课题经过对人工免疫系统原理以及支持向量机理论的深入研究,结合多学科知识,最终提出一套完整的维权重免疫支持向量机理论和算法。维权重免疫支持向量机的提出打破了长期以来支持向量机参数选择依赖手工调节、缺乏理论指导的局面,同时突破了支持向量机对各维特征向量对最终分类精度的贡献平等的传统思想,首次提出维权重概念,并结合免疫优化理论,成功地解决了支持向量机参数与维权重系数的联动优化问题,完善了支持向量机理论。运用维权重免疫支持向量机,仅利用T2加权MRI图像将颅内7类组织全部分割出来,并且取得了较为满意的推广精度,为后期的高精度地真实头模型的叁维重建奠定坚实基础。从目前所查阅的资料来看,还没有学者仅利用T2加权MRI图像分割出7类脑组织,并且也没有发现利用T2加权MRI图像分割出灰质和白质的文献。(3)MRI图像叁维重建:颅内各组织的二维边界呈高度非线性,必将导致颅内各组织叁维曲面的高度不规则,主要表现在显着的且频繁的曲率变化以及曲面的不连续性上。而重建如此高度非线性的叁维曲面是图像叁维重建领域的难点问题。这就对传统的叁维重建方法提出了严峻的挑战,甚至无法实现。而支持向量机在解决高度非线性问题上有着其强大的优势。通过对本课题具体问题的细致分析和对支持向量机理论的深入研究,首次将球形支持向量机理论引入到图像叁维重建领域中,将叁维不规则组织映射到高维空间获得规则超球,描述高维空间最优超球面的函数即为颅内组织的叁维数学模型。为解决球形支持向量机参数选取问题,将免疫优化算法与球形支持向量机算法相结合,提出免疫球形支持向量机算法,对颅内各组织进行叁维数学建模,并获得较高的建模精度。最后对颅内7类组织进行叁维可视化处理。
王晏[7]2014年在《工业X射线图像目标自动检测方法研究》文中研究表明随着光学成像与图像处理的快速发展,基于X射线图像的目标自动检测越来越广泛地应用于工业、医疗以及军事安全等领域。在X射线图像成像过程中,有些目标因为较为弱小或者对X射线的吸收较弱,导致X射线图像中目标与背景的灰度对比度较低；X光的散射现象也造成图像存在较大随机噪声。上述低对比度和大噪声的现象在进行X射线图像目标自动检测时,很容易影响后续的图像分割和特征提取效果,从而产生一定的误检和漏检。因此,在X射线图像目标自动检测中,需要对图像进行平滑,尽可能去除随机噪声并保留图像的细节信息,研究有效的目标特征提取方法和目标分类方法。本文研究了X射线图像目标自动检测方法,主要创新性工作如下：(1)针对噪声消除中传统平滑方法出现边缘模糊的现象,提出了一种改进自适应mean shift算法的图像平滑方法。该方法将图像的灰度或伪彩色分布信息引入到meanshift算法的空域带宽设置以及权重函数设置中,将图像局部方差与频域结构相似度引入到值域带宽设置中,从而克服了传统平滑方法容易对图像造成模糊的现象,既去除了图像随机噪声,又保留了图像的细节信息,并使目标区域内相近的灰度值或伪彩色值分布更加均匀,保证了目标的完整性,避免后续的过分割现象。通过将该方法运用到X射线工业探伤图像以及X射线行李物品透视图像中,表明该方法针对含噪、低对比度的X射线图像可以获得较好的平滑结果。(2)针对低对比度、含噪的X射线图像中微弱的线型目标,提出了一种基于连续阈值分割的线型目标特征提取方法和基于霍夫变换的线型目标分割方法。实验结果表明,该方法提取的线型目标特征具有较好的可分性,可在低对比度、含噪X射线图像中获得正确的微弱线型目标的分割结果,克服了传统基于阈值和边缘的分割方法对该类图像分割不理想的缺点。(3)针对背景复杂、形状不规则的目标,提出了一种根据图像中不同分割区域之间的关系直接提取候选目标的方法。该方法不要求物体内部结构相对固定,不需要目标先验信息,克服了传统基于矩形框遍历方法比较耗时、不能获得目标具体轮廓的缺点。通过对不同分割参数的分割结果进行候选目标提取实验,结果表明该方法不需要过于复杂和精细的分割方法就能获得正确的候选目标。在候选目标确定的基础上,提取了目标链码角-弧弦距比特征,分析了该特征的旋转不变性。(4)针对两分类支持向量机对旋转目标分类时容易出现样本混迭的现象,分析了基于两分类支持向量机的多分类方法,并将目标链码角-弧弦距比特征的旋转特性构造在并联多分类支持向量机中。通过与两分类支持向量机相比,本文方法能在更大程度上保证目标的旋转不变性,克服两分类支持向量机中由于样本混迭导致的误检问题。(5)实现了一种基于稀疏表达的目标分类方法,细化了分类准则,并将目标的旋转特征构造在稀疏表达的样本矩阵中。该方法在一定程度上克服了支持向量机分类方法中样本特征对分类结果的影响。通过对X射线工业探伤图像以及X射线行李透视图像的检测表明,基于稀疏表达的方法中,样本特征对检测结果的影响小于支持向量机方法。
赵娟[8]2008年在《基于Gabor小波变换与支持向量机的纹理图像分割》文中研究表明纹理分割是图像处理和模式识别中一个重要的研究内容,一直以来是人们研究的热点。它依据同一纹理的一致性特征或不同纹理之间的特征差别,将纹理图像分割成若干有意义的区域,而提取有效的纹理特征是其中的关键和难点。本文主要研究了基于纹理频谱特性的特征提取、特征降维与分割方法,并将其应用于实际的农业害虫图像,提出了将Gabor小波变换,AdaBoost学习算法和支持向量机相结合的纹理分割方法。主要工作包括以下几个方面:(1)利用Gabor小波变换与高等动物视觉皮层简单细胞的接收场具有相似的特性,提取图像的纹理特征向量,并对此方法进行了详细的分析。(2)改进Gabor变换提取的特征向量存在的高维数,引入AdaBoost学习算法,在充分考虑各个特征向量中的特征的线性分类能力的基础上,通过弱学习过程提取出最显着的特征,以有效的降低Gabor特征维数和提高分类准确率。(3)分类过程采用国际模式识别领域首选的分类器—支持向量机,选用径向基函数为支持向量机的核函数,采用遗传算法对其参数进行优化搜索以对Gabor+AdaBoost特征进行训练,减少了以往应用中需要反复实验来确定其参数的人工工作量。本文在农业害虫图像库上作了大量有意义的实验,分别采用Gabor+BP,Gabor+SVM和本文提出的Gabor+AdaBoost+SVM方法进行图像分割,实验结果表明Gabor特征向量鲁棒性强,但高维较高,存在众多的冗余信息,会影响分割速度和效果,因此文中我们引入了AdaBoost学习算法对Gabor特征向量进行降维再送入支持向量机进行分类。AdaBoost算法虽然耗费了时间但只在训练过程中,在测试阶段就可以直接应用其学习结果从而实现较高的分割速度,实验结果表明本文提出的Gabor+AdaBoost+SVM方法鲁棒性强,性能优越,正确分割率在90%以上,得到了较好的试验结果。本文所有程序均是用Matlab 6.1在WinXP环境下编译完成的。
邓晓飞[9]2012年在《基于多类特征的SVM图像分割方法的研究》文中指出图像分割是图像分析的一个基本步骤，同时也是图像信息处理的难点和热点研究问题之一。图像分割结果的好坏直接对后续的图像分析和理解产生重要影响。目前，常用的图像分割方法包括阈值分割、边缘检测、区域生长、神经网络、支持向量机(SVM)、模糊聚类等。SVM不仅采用了结构风险最小化原则，而且还综合了神经网络、统计学习理论等方面的知识。SVM已被证明在解决小样本、高维以及非线性化的模式识别问题中具有较好的优势。近来，采用SVM的图像分割方法已引起了许多学者的关注。本课题研究发现，经典的基于SVM的图像分割方法仅使用灰度特征来构成输入的特征样本，忽略了图像纹理和边缘锐变信息。然而，对于一幅纹理信息丰富、目标区域边缘对比度低的图像而言，仅依靠灰度特征难以完全表征目标的整体特征，此时采用经典的SVM图像分割方法难以得到令人满意的分割效果。针对上述问题，本文主要研究工作如下：(1)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。该方法首先提取图像的相位一致性统计特征、纹理特征和灰度特征，其中相位一致性统计特征由均值、方差、偏度、峰度和熵来描述，纹理特征由能量和频域方向性来表征，灰度特征由灰度像素值构成，然后将它们组合成多维特征样本向量，最后采用SVM分类方法对图像进行分割。(2)将新方法与经典的SVM图像分割方法和Canny边缘检测方法进行对比实验分析。实验结果表明，该方法比经典的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。同时，当图像中目标区域的边缘对比度较低时，该方法避免了Canny边缘检测方法容易出现将目标的阴影当成边缘的情形。
韩月林[10]2012年在《支持向量机在路面交通标志识别中的应用研究》文中指出近年来,全球环境问题、能源问题和交通安全问题日益严重,为解决相关问题,各国研究人员提出了多种解决方案。其中,智能交通系统(Intelligent Transportation System,简称ITS)的研究逐渐成为当今世界的关注热点。交通标志识别是智能交通系统的一个重要方面。从二十世纪八十年代国外已经开始对交通标志的识别进行了研究和探讨,但由于交通标志自身和环境的复杂性,尚没有非常成熟的交通标志识别系统。因此,对如何实现真正实用高效的交通标志识别系统还需要进一步研究。按照位置的不同,交通标志分为空中交通标志和路面交通标志。本文主要针对叁种典型的路面交通标志(直行标志、直行右转标志和左右转弯标志)进行了以下研究：1.为了解决由摄像机拍摄角度所造成的图像畸变问题,本文通过建立一种摄像机隐式模型,并采用了控制点快速获取的方法进行图像场景重建；2.由于路面交通标志环境的复杂性,直接对图像进行整体分割效果不理想。因此,本文采用了一种基于感兴趣区域的图像分割方法。该方法通过采用Hough变换方法对车道线检测来建立路面交通标志的感兴趣区域,对感兴趣区域进行一维熵分割、图像滤波和Canny算子边缘检测获得目标图像；3.为了构建可以有效表征图像的特征向量,本文通过对传统Hu不变矩的改进得到离散情况下具有平移、旋转和尺度缩放不变性的改进Hu不变矩,提取图像的改进Hu不变矩和仿射不变矩特征并进行对比分析,选择其中具有良好聚集性和可分性的特征来构建图像的特征向量；4.为实现路面交通标志分类器的良好识别效果和推广性能,文中采用了一种基于支持向量机(Support Vector Machines, SVM)的1-a-r多类分类器,并通过实验选择分类器的核函数类型并确定相关参数。5.通过实验对本文所采用的方法进行验证。
参考文献：
[1]. 支持向量机在基于边缘检测的图像分割和函数估计中的应用[D]. 雷静. 河北工业大学. 2003
[2]. 支持向量机及其在医学图像可视化中图像分割的应用研究[D]. 朱家群. 南京理工大学. 2007
[3]. 基于支持向量机的图像分割研究综述[D]. 徐淑萍. 辽宁科技大学. 2008
[4]. SVM及其扩展算法在图像处理中的应用研究[D]. 蔡磊. 西安石油大学. 2010
[5]. 支持向量机在交通标志识别中的应用[D]. 何德伟. 上海海事大学. 2007
[6]. 基于支持向量机的真实头模型叁维重建方法的研究[D]. 郭磊. 河北工业大学. 2007
[7]. 工业X射线图像目标自动检测方法研究[D]. 王晏. 大连理工大学. 2014
[8]. 基于Gabor小波变换与支持向量机的纹理图像分割[D]. 赵娟. 西南大学. 2008
[9]. 基于多类特征的SVM图像分割方法的研究[D]. 邓晓飞. 长沙理工大学. 2012
[10]. 支持向量机在路面交通标志识别中的应用研究[D]. 韩月林. 大连理工大学. 2012
标签：计算机软件及计算机应用论文; 支持向量机论文; 图像分割论文; 特征提取论文; svm算法论文; 函数图像论文; 边缘提取论文; 特征函数论文; 监督学习论文; 边缘检测论文;