改进支持向量机算法及其在图像分割中的应用

论文摘要

支持向量机是在统计学习理论基础上发展出来的一种非常有效的新机器学习方法。困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题,支持向量机方法都可以很好的解决,具有很强的泛化能力。作为小样本学习的最佳理论,统计学习理论和支持向量机受到越来越广泛的重视,成为人工智能和机器学习领域新的研究热点。支持向量机已经在很多领域获得了广泛应用,并取得了较好的效果。但是支持向量机算法的理论研究和应用都不是很成熟,还存在很多问题。图像分割是图像处理的前提,也是经典难题。图像分割是基于某些特征(如灰度级、频谱、纹理等)将一幅图像分成若干具有相似特征的区域,并将感兴趣的部分提取出来的过程。因此,本质上讲图像分割可以看作是一个基于某些特征对像素进行分类的过程。支持向量机是一种在理论和实际应用中都非常优秀的学习分类方法,准确性高,运行速度快,鲁棒性好,泛化性强,非常适合于图像分割。本文主要研究了支持向量机算法的一些改进方法,并将其应用于图像分割。本文主要内容包括:1.首先对支持向量机近年来的研究进展进行了概述,归纳了算法的成功应用和存在的不足。对图像分割的基本概念和基本方法进行了介绍。2.详细介绍了统计学习理论和支持向量机基本原理,综述了支持向量机的基本算法及各种变形算法,阐述了支持向量机方法的特点。3.基于对样本预处理的支持向量机多分类方法的研究,研究了一种基于粗糙集预处理、并引入改进的隶属度函数的模糊支持向量机多分类方法,在几个测试数据集上的实验验证了算法的有效性。4.对最小二乘支持向量机稀疏化处理,并结合层次聚类的思想,研究了一种改进的最小二乘支持向量机算法,图像分割对比实验的结果表明该方法缩短了训练测试时间,提高了分割效果;利用粒子群优化算法强大的全局搜索能力优化模糊C均值聚类中心,再将改进的模糊C均值算法用于获取图像的特征向量和类别标记,实现了训练样本的自动获取,再送入模糊支持向量机分类,从而实现了图像的自动分割,与以往方法相比,算法取得了更好效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 论文研究的目的和意义
• 1.2 支持向量机
• 1.2.1 统计学习理论及支持向量机概述
• 1.2.2 支持向量机算法的研究进展及其应用
• 1.3 图像分割
• 1.3.1 图像分割概述
• 1.3.2 图像分割的研究进展及其应用
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 第2章 支持向量机算法概述
• 2.1 统计学习理论
• 2.1.1 统计学习理论的核心内容
• 2.1.2 学习过程一致性的条件
• 2.1.3 VC 维
• 2.1.4 推广性的界
• 2.1.5 结构风险最小化
• 2.2 支持向量机理论
• 2.2.1 线性支持向量机
• 2.2.2 非线性支持向量机
• 2.2.3 支持向量机模型的选择
• 2.2.4 支持向量机理论的主要研究内容
• 2.3 支持向量机的变形算法
• 2.3.1 C -SVM 算法
• 2.3.2 v -SVM 算法
• 2.3.3 One-class SVM 算法
• 2.3.4 WSVM 算法
• 2.3.5 最小二乘SVM 算法（LS-SVM）
• 2.3.6 RSVM 算法
• 2.3.7 基于组合的支持向量机算法
• 2.3.8 基于多类问题的支持向量机算法
• 2.4 支持向量机方法的特点
• 2.5 本章小结
• 第3章 改进的模糊支持向量机算法及其应用
• 3.1 粗糙集理论预处理方法
• 3.1.1 RS 知识约简方法
• 3.1.2 属性约简算法的实现
• 3.2 模糊支持向量机[FSVM]
• 3.2.1 FSVM 基本思想
• 3.2.2 隶属度函数的改进
• 3.2.3 结合三叉决策树的FSVM 多分类算法
• 3.3 实验结果及分析
• 3.4 本章小结
• 第4章 改进支持向量机算法在图像分割中的应用
• 4.1 图像分割
• 4.1.1 图像分割的定义
• 4.1.2 图像分割的技术分类
• 4.2 基于层次聚类LS-SVM 算法的图像分割方法
• 4.2.1 最小二乘支持向量机（LS-SVM）
• 4.2.2 LS-SVM 的稀疏化
• 4.2.3 层次聚类LS-SVM 算法
• 4.2.4 实验结果及分析
• 4.3 基于模糊支持向量机的多类图像分割方法
• 4.3.1 模糊C 均值聚类算法确定样本隶属度与类别
• 4.3.2 粒子群优化算法（PSO）
• FCM 算法确定样本隶属度与类别'>4.3.3 PSO_FCM 算法确定样本隶属度与类别
• 4.3.4 实验结果及分析
• 4.4 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢
• 详细摘要