图像处理
布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(Variance)和三阶矩(Skewness)就足以表达图像的颜色分布,与颜色直方图相比,该方法的另一个好处是无须对特征进行量化。
纹理特征
纹理是景物的一个重要特征,它描述了图像或图像区域所对应景物的表面性质。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。这种区域性的特征具有较大的优越性,它不会由于局部的偏差而
本文用到灰度共生矩阵的纹理特征分析方法,它无法匹配成功。
能够提取到灰度共生矩阵的5个关键特征:能量、反差、熵、相关性和方差。实验当中,我们选择4个方向{0,∏/4,∏/2,3∏/4}。构造一个20维的特征向量。
《微计算机信息》(测控自动化)2010年第26卷第1-1期
表4HSV直方图+纹理为特征的实验结果
4基于SVM的图像分类
假设图像库中共有K类图像,记作T={P1,P2,P3...Pk},并且
有k个语义的分类器{C1,C2,C3...Ck}。对于每一个SVM分类器,它的训练集T={(x1,y1),(x2,y2),,,(xn,yn)},其中(x1,y1)是事先给定的经过标注的样本图像,其中xi∈R2,它表示图像的特征(颜色、纹理等);yi∈{-1,1},为+1表示图像包含该语义,-1表示图像不包含该语义;使用SVM训练这些样本图像,获得图像的语义分类器。然后可以利用这些语义分类器去判别那些未标注的图像。
实验结果
图像库共有“fire”、“car”““““等,map”,hill”,elephant”,grass”
库中图像均为24bit真彩色图像,采用BMP格共800多幅图像。
式,尺寸一般为(120~140)*(90~100)。
训练方式:将该类别的60%做为训练集,剩余40%作为测试集。不同语义类别的训练集图像互相作为反例加入训练集中。本实验采用libsvm2.86+python+gnuplot作为实验工具,针对不同特征生成SVM分类器。然后用该分类器对各个未标注图像语义进行分类。
使用查全率(recall)与查准率(Precision)来表示实验的结果,它们的表示方法如下,假设有ABCD分别为:A(正确的结果),B(检索出的无关结果),C(漏掉的相关结果),D(正确排除掉的无关结果)。则查全率recall=A/(A+C),查准率Precision=A/(A+B),以下为4组实验结果:
表1HSV颜色直方图为特征的实验结果
技术创新
实验结果分析
实验表示,1.对于以上几类图像,采用HSV直方图和颜色矩都能取得比较好的结果,尤其是对于MAP类图像的判别,准确率非常高。这归因于MAP类图像良好的视觉特征(背景颜色较
相对于查准率,而查准率则不高。这是由单一,图像由线条构成)。
于公式当中的B(检索出的无关结果)过大引起的。如果在查全率较高的情况下,可以放低对查准率的要求。通过对查询结果按相似性排序,可以更进一步降低对查准率的要求。
2.纹理特征由于其复杂性,它的实验结果,不理想,而且对训练集的预测以及对测试集的预测,都不高,甚至有些还非常低。对于不同类别的试验结果差别也很大。
3.在单特征(纹理特征)效果不明显的情况下,结合多种特征往往能取得较佳的结果。如表4所示,查全率和查准率都有所提高,尤其是查准率的提高更明显。
4.对训练集的结果并不能代表对测试集的预测结果,以fire类来说,训练集预测不高的情况,也可以得到较满意的结果,这体现了SVM强大的推广能力。
“语义鸿沟”问题。5.利用SVM,可以一定程度上解决
5结论
本文作者创新点:提出了一种基于SVM的图像分类的机
制,实现从语义级别的图像检索。通过生成各种特征的语义分类器,实现对图像检索。在今后的工作中,需要继续展开研究和改进,引入更多有价值的图像信息,并且融合多个分类器的检索结果,使检索系统的性能更能满足人们的需要。参考文献
[1]NiblackW,BarberR,EquitzWetal,TheQBICproject:Query-ingimagesbycontentusingcolor,texture,andshap.In:ProcSPIEElectronicImaging:ScienceandTechnology.Sanjose,CA,1993
[2]BachJR,FullerCharles,CuptaAetal.Thevirageimagesearchenging:Anopenframeworkimagemanagement.In:ProcofSPIE:StroageandRetrievalforStillImageandvideoDatabaseIV.Sanjose,1996,2670:76-87
[3]VapnikV.lernerA.PatternRecognitionUsingGeneralizedPortrait.AutomationandRemoteControl,1963,24(6):774~780[4]支持向量机导论。北京:机械工业出版社,2005
[5]ZhangL.Researchofthecooperationbetweenhumanandcom-puterincontent-basedimageretrieval[Ph.D.Thesis].Beijing:Ts-inghuUniversity,2001.
[6]STRICKERM,ORENGOM.Similarityofcolorimages[A].Stor-ageandRetrievalforImageandVideoDatabases(SPIE)[C],1995.381-392
[7]章毓晋.基于内容的视觉信息检索。科学出版社。
[8]李正君,张树武.基于优化颜色直方图的图像检索方法.微计算机信息,2008,2-1:246-247
作者简介:胡斌斌(1984-),男,浙江,硕士研究生,主要研究方向:视频检索;姚明海(1963-),男,教授,研究方向:移动机器人与视觉,智能控制系统。(下转第156页)
现场总线技术应用200例》
表2颜色矩为特征的实验结果
表3纹理为特征的实验结果
-116-360元/年邮局订阅号:82-946
西北大学 硕士学位论文 基于SVM的图像分类 姓名:高锦 申请学位级别:硕士 专业:通信与信息系统 指导教师:彭进业 20100617 摘要图像的自动分类在许多领域都是一项关键...
基于SVM的图像分类算法与实现_IT/计算机_专业资料。基于SVM的图像分类算法与实现40 2007,43(25) ComputerEngineeringandApplications 计算机工程与应用 基于 SVM 的图像...
1 22, . No 5 Ma 05 y 20 基于 ( 台师 范学 院烟 SM V 的图像分类 辽宁 大连 1 6 2 ) 103 王亮申 欧宗瑛 朱玉才 侯杰 于京诺 山东 烟台 2 ...
通过定性分析和计算对比,确定了图像情感分类的可行算法和合理参数选取方法。结果表明,完全二叉决策树SVM算法对于天气图像的情感识别具有较理想的...更多>>依据基于二叉...
支持向量机(SVM)是一种卓越的分类方法,灰度共生矩阵(GLCM)则是一种很好的纹理分析方法,而纹理是合成孔径雷达(SAR)图像分类的一个重要特征,故而提出了一种使用灰度...
2008 基于 SVM 的 SAR 图像分类研究汤井田1 , 胡丹1 , 龚智敏2 410083; 430000) ( 1. 中南大学信息物理工程学院, 湖南 长沙 2. 武汉科技大学资源环境工程...
基于SVM的相关反馈图像分类和检索方案_专业资料。图像获取和存储技术的进步可以获得包含大量有用信息的图像数据,在传统的图像分类和检索方案中,图像的低级视觉特征和高...
热门文档