文章编号:1008-0570(2010)01-1-0115-02
图像处理
基于SVM的图像分类
ImageClassificationbyUsingSVM
(浙江工业大学)
胡斌斌姚明海
HUBin-binYAOMing-hai
摘要:现有的图像检索系统多是针对底层特征的系统,而人类往往习惯于在语义级别进行相似性判别。如何跨越底层特征和高层语义之间的“鸿沟”,成为基于内容检索的研究重点。本文提出一种利用SVM提取图像的高层特征,然后对图像进行语义级别的分类。实验结果表明,该方法在一定程度上跨越“语义鸿沟”。关键词:支持向量机;分类器;底层特征;高层语义中图分类号:TP391文献标识码:A
Abstract:imageretrievalsystemsaremostlybasedonlow-features,butpeopleareaccustomedtojudgingonhigh-semanticlevel.Itbecomesmoreimportantthatovercometheconsiderablegapbetweenthem.ThispaperusesSVMtogetthehigh-semanticconceptsandclassifythetestingimages.TheresultsindicatethattheSVMcanspanthisgaptosomeextent.Keywords:SVM;classifier;low-feature;high-semantic
1引言
随着数字照相机、打印机等图像电子设备的飞速发展,数字图像的数量以几何级数增长。人们面临的问题不再是资源的稀缺,而是如何在这浩瀚的海洋当中正确寻找自己需要的信息。当前应用的图像检索系统,都采用文本描述图像的语义,然后在此基础上应用成熟的文字检索方法,为用户提供图像。这种方式检索速度很快,但是一旦图像数量增大,就需要标注新图像的内容,费时费力,而且人工标注具有主观性和不确定性等缺点。随后人
—基于图像内容的检索。通过们提出一种新的图像检索技术——
分析图像的颜色、纹理、形状等特征建立索引。用户一般提供一个图像,系统根据该样例的特征,在数据库中查找与之相似的图像返回给用户。尽管如此,人们并不习惯于提供样例或提供特征这种查询方式,人们更愿意在语义级别上直接判别图像是否满足自己。近年来SVM在统计模式识别领域获得了成功的应用,本文尝试利用SVM的优越性能,设计图像分类器,实现底层特征到高层语义的映射。
本文的结构安排如下:第二节简单介绍了SVM以及它的应用;第三节描述了底层特征的提取。第四节是实验具体过程。第五节结论。
得到的将是全局最优点,解决了在神经网络方法中无法避免的局部极值问题;
3.算法将实际问题通过非线性变换转换到高维的特征空间(FeatureSpace),在高维空间中构造线性判别函数来实现原空间中的非线性判别函数,特殊性质能保证机器有较好的推广能力,同时它巧妙地解决了维数问题,其算法复杂度与样本维数无关;
由于SVM突出的优点,使得它广泛应用于人脸检测、系统辨识、数据挖掘、手写体识别等领域。
技
术创新

3图像底层特征提取
HSV直方图
颜色是一种重要的视觉特征,是人识别图像的主要感知特征之一,是图像检索中最常用的特征。颜色有RGB,HSV,ESL,CMY等各种表示方法。由于HSV更符合人的视觉特性,因此我们这里考虑采用HSV空间。
直方图是一种简单有效的底层特征。然而直接在三维颜色空间进行计算,无论是存储空间和计算时间都是难以忍受的。提取颜色特征首先需要考虑图像颜色量化问题。在不降低检索性能的前提下,为更符合人的主观视觉模型,按人的颜色感知将

HSV三个分量进行非等间隔的量化,如图1所示:
2SVM介绍
支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(GeneralizationAbility)。几个主要优点有:
1.它是专门针对有限样本情况的,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值;
2.算法最终将转化成为一个二次型寻优问题,从理论上说,
胡斌斌:硕士研究生
图1HSV非等量量化
根据以上量化方式,将三个分量转化为一维矢量:L=9H+3S+V,于是构成一个72阶的直方图。颜色矩
颜色矩是一种简单而有效的颜色特征,是由Stricker和Oreng提出的,这种方法的数学基础是图像中的任何的颜色分
邮局订阅号:82-946360元/年-115-
PLC技术应用200例》
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