学位论文 > 优秀研究生学位论文题录展示

多特征结合与支持向量机集成在图像分类中的应用

作　者: 鲜艳明
导　师: 付燕
学　校: 西安科技大学
专　业: 计算机应用技术
关键词: 多特征结合支持向量机集成主成分分析高斯归一化图像分类
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 143次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来,随着图像数据的爆炸式增长,图像分类在很多领域都已成为一项关键性工作,因此对图像分类方法进行研究具有十分重要的价值和意义。本文围绕图像特征的有效提取和适应于图像分类的分类器设计两个方面对图像分类方法进行了研究,并开发了基于内容的图像分类原型系统。主要研究内容如下:针对单一特征只能描述图像的部分属性,对图像内容描述比较片面,缺少足够的区分信息,从而导致图像分类精度不高的问题,提出了基于多特征结合和支持向量机(Support Vector Machine, SVM)的图像分类方法。该方法首先分别提取图像的环形颜色直方图特征、灰度共生矩阵特征、小波变换特征和边缘方向直方图特征;然后,对所提取的这些单一特征进行合并,从而形成能够更全面的描述图像内容的综合特征,并对该综合特征进行高斯归一化;最后,采用SVM分类器对图像进行分类。实验结果表明该方法的各类图像的平均分类准确率高于基于单一特征的图像分类方法。针对所提取的图像特征中通常含有相当数量的冗余信息,而这些冗余信息又极大的损害学习器的泛化能力,从而导致图像分类精度不高的问题,提出了基于多特征结合和PCA-RBaggSVM(Principal Component Analysis RBaggSVM)的图像分类方法。该方法首先提取能够更全面的描述图像内容的综合特征;然后,对所提取的综合特征进行PCA降维和高斯归一化;最后,采用同时扰动训练集和SVM模型参数的二重扰动方法构造SVM集成分类器,并利用该SVM集成分类器对图像进行分类。实验结果表明与BP神经网络、C4.5和RBaggSVM方法相比,该方法的各类图像的平均分类准确率更高,训练和分类的总耗时更少。基于上述研究结果,设计并实现了一个基于内容的图像分类原型系统。测试结果表明该原型系统运行正确。

全文目录

摘要  3-4
ABSTRACT  4-9
1 绪论  9-13
  1.1 选题背景及研究意义  9-10
  1.2 国内外研究现状  10-11
  1.3 本文的研究内容  11-12
  1.4 本文的组织结构  12-13
2 支持向量机与集成学习  13-25
  2.1 支持向量机  13-16
    2.1.1 结构风险最小化原则  13-14
    2.1.2 两类支持向量机  14-15
    2.1.3 核函数  15
    2.1.4 多类支持向量机  15-16
  2.2 集成学习  16-21
    2.2.1 集成学习概述  16-19
    2.2.2 成员分类器  19-20
    2.2.3 集成学习方法Bagging  20-21
  2.3 支持向量机集成  21-24
    2.3.1 支持向量机集成机理  21-22
    2.3.2 支持向量机集成算法RBaggSVM  22-24
  2.4 本章小结  24-25
3 图像内容的描述和特征提取  25-37
  3.1 图像内容的描述模型  25
  3.2 颜色特征提取  25-29
    3.2.1 颜色空间  25-28
    3.2.2 环形颜色直方图  28-29
  3.3 纹理特征提取  29-33
    3.3.1 纹理描述  29
    3.3.2 基于灰度共生矩阵的纹理特征  29-31
    3.3.3 基于小波变换的纹理特征  31-33
  3.4 形状特征提取  33-36
  3.5 本章小结  36-37
4 基于多特征结合和SVM的图像分类  37-53
  4.1 基于多特征结合和SVM的图像分类方法  37-38
  4.2 综合特征提取  38
  4.3 特征归一化  38-39
  4.4 多类支持向量机训练与测试  39-41
  4.5 实验结果及分析  41-52
    4.5.1 实验数据及环境  41-42
    4.5.2 图像分类效果评价指标  42
    4.5.3 综合特征提取过程及结果  42-49
    4.5.4 综合特征归一化结果  49-50
    4.5.5 支持向量机核函数选择的实验结果对比及分析  50-51
    4.5.6 两种图像分类方法的实验结果对比及分析  51-52
  4.6 本章小结  52-53
5 基于多特征结合和PCA-RBaggSVM的图像分类  53-66
  5.1 基于多特征结合和PCA-RBaggSVM的图像分类方法  53-54
  5.2 PCA-RBaggSVM算法  54-59
    5.2.1 主成分分析  54-55
    5.2.2 PCA-RBaggSVM算法描述  55
    5.2.3 PCA-RBaggSVM算法实现  55-59
  5.3 实验结果及分析  59-65
    5.3.1 主成分分析降维结果  59-61
    5.3.2 四种算法的图像分类性能对比及分析  61-62
    5.3.3 主成分累计贡献率对PCA-RBaggSVM算法性能的影响  62-63
    5.3.4 成员分类器数量对PCA-RBaggSVM算法性能的影响  63-65
  5.4 本章小结  65-66
6 基于内容的图像分类原型系统的设计与实现  66-79
  6.1 原型系统框架设计  66-68
  6.2 原型系统模块功能设计  68
  6.3 原型系统流程图  68-71
  6.4 原型系统实现  71-76
  6.5 原型系统分类实验  76-78
  6.6 本章小结  78-79
7 结论  79-80
  7.1 总结  79
  7.2 展望  79-80
致谢  80-81
参考文献  81-85
附录  85

多特征结合与支持向量机集成在图像分类中的应用

内容摘要

全文目录

相似论文