导读:本文包含了分割支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,支持向量机,核函数,色彩空间
分割支持向量机论文文献综述
周凯红,乔新新,李福敏[1]（2019）在《基于支持向量机的彩色图像分割研究》一文中研究指出为了提高彩色图像分割方法的性能,提出一种基于支持向量机的手动选择样本点集的分割方法。该方法通过人为主观观察颜色特征变化,在像素峰值处选择样本点,使得背景和目标样本点的颜色差异较明显,达到了简化样本点的目的,从而实现了彩色图像的快速分割,同时比较和分析核函数参数及样本点数目的不同对分割效果的影响。实验证明,与传统的窗口取样相比,该方法更加的快速有效,且算法简单,易于推广。(本文来源于《现代电子技术》期刊2019年18期）
陈可[2]（2019）在《基于支持向量机的极光图像分割》一文中研究指出极光是由太阳风的高能带电粒子与地球大气层相碰撞而产生的,它的形态受空间物理所影响,而将极光从极光图像中分割有利于极光形态研究。)本文基于支持向量机(SVM)对极光图像分割进行研究,在原始图像上进行手工标记若干数量样本点,经过支持向量机训练后可以自动识别极光图像。该方法可以对极光图像具有较好的识别度,可以快速对极光图像进行分割。(本文来源于《电子制作》期刊2019年16期）
王萌[3]（2019）在《基于改进支持向量机算法的超声图像分割技术》一文中研究指出超声图像的边缘分割受到噪声影响,基于传统支持向量机(support vector machine,SVM)超声图像分割过程存在较大缺陷。提出一种基于改进SVM算法超声图像分割算法。采用分区域特征匹配方法,进行二维超声图像的分块融合性检测和特征块匹配,根据超声纹理的规则性特征分量进行病理边缘特征提取,利用提取的精度作为约束条件,优化SVM分割过程,进行超声图像分割过程的自适应分类,实现对超声图像的快速分割。仿真结果表明,采用该方法进行超声图像分割的精度较高,对超声图像的病理特征识别能力较好,结构相似度信息较强,提高了超声图像检测和诊断分析能力。(本文来源于《生物医学工程研究》期刊2019年02期）
黄巧义,张木,李苹,付弘婷,黄旭[4]（2019）在《支持向量机和最大类间方差法结合的水稻冠层图像分割方法》一文中研究指出针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显着受光强条件影响,随着光强强度的提高而显着降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。(本文来源于《中国农业科技导报》期刊2019年04期）
杨云,张立泽清,齐勇,王妮[5]（2019）在《集成支持向量机在OCT血管内斑块分割中的应用与研究》一文中研究指出OCT医疗图像作为近年来新兴的血管内斑块诊断技术正在迅速成长。为进行有效的OCT血管内斑块辅助语义分割,提出一种基于集成支持向量机(AdaBoost-SVM)的分割学习模型。采用遗传算法GA(Genetic Algorithm)对支持向量机模型的组合参数的选取进行优化以提升其分类性能。通过建立由多个基分类器组合的AdaBoost-SVM集成化分割模型,对OCT血管图像以像素列预测为基础进行准确分割。实验结果表明,在分割过程中相比较BP神经网络以及标准SVM方法,集成支持向量机在以像素列为基础的图像分割过程中具有更优的分割精度。(本文来源于《计算机应用与软件》期刊2019年04期）
栗科峰,卢金燕,黄明明,黄全振[6]（2018）在《基于子图分割与多类支持向量机的人脸识别方法》一文中研究指出由于姿态、光照、表情、遮挡等变化引起的面部特征变化仅出现在整个图像的局部区域中,使用整体图像进行特征提取和识别的传统人脸识别方法效果不佳。为解决上述问题,提出了一种融合子图分割和多类支持向量机的人脸识别方法。首先,将人脸图像分割成多个不重迭的子图像;然后采用广义二维Fisher线性判别分析对每个子图像和整体图像进行局部和全局特征提取,并使用SVM做为图像分类器;最后,通过融合各个SVM分类器的决策给出人脸识别结果。在ORL人脸数据库上对所提出的SD-MSVM方法进行了灵敏度、特异度和K折交叉验证测试,实验结果表明,新的SD-MSVM方法各项指标均优于传统的全局特征提取方法。(本文来源于《科技通报》期刊2018年08期）
马浚诚,杜克明,郑飞翔,张领先,孙忠富[7]（2018）在《可见光光谱和支持向量机的温室黄瓜霜霉病图像分割》一文中研究指出针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题,提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。首先,提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法,该颜色特征将超红特征(excess red,ExR)、H分量和b*分量叁种颜色特征结合,通过设置ExR参数,降低光照条件对ExR的影响,克服了光照不均匀对病斑分割的影响。在CVCF的基础上,结合基于径向基核函数的支持向量机分类器,通过优化分类器参数构建病斑分割模型,获得了温室黄瓜霜霉病图像初始分割结果。在初始分割结果基础上,采用SURF(speeded up robust features)特征及形态学操作,对分割结果进一步优化,消除背景噪声对分割结果的影响,从而获得最终病斑分割结果。为进一步验证方法的有效性,选择了OTSU算法、K均值聚类算法和决策树算法,作对比研究。结果表明,OTSU+H*0.2,K-means+H+b*,DT+H+b*和该研究算法的错分率分别为:19.44%,40.19%,16.27%和7.37%,该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑,为病害识别提供了良好的数据来源。(本文来源于《光谱学与光谱分析》期刊2018年06期）
庞学明,张泽伟,侯爱林,孙浩然[8]（2018）在《基于支持向量机与随机游走结合的GGO型肺结节分割方法》一文中研究指出目的:为了提高磨玻璃型肺结节(GGO型肺结节)的分割精度,提出一种基于支持向量机与随机游走相结合的分割方法。方法:利用已手动分割的GGO型肺结节训练支持向量机。由训练后的分类模型在待分割的GGO型肺结节图像中选择种子点,然后利用随机游走算法根据支持向量机选取的种子点进行GGO型肺结节图像分割。结果:该研究纳入150个待分割GGO型结节图像,上述分割算法的平均准确率为98.05%、平均召回率为96.35%和平均F1值为98.05%。与传统方法相比,本方法实现了GGO型肺结节的精确自动化分割,对GGO型肺结节定量、定性分析提供更加准确的客观依据。结论:该方法利用支持向量机选取种子点,并利用随机游走进行结节分割可以有效地对GGO型肺结节进行分割,具有简单高效,准确率高的优点。(本文来源于《天津医科大学学报》期刊2018年03期）
时永刚,程坤,刘志文[9]（2018）在《结合深度学习和支持向量机的海马子区图像分割》一文中研究指出目的由于海马子区体积很小且结构复杂,传统的分割方法无法达到理想的分割效果,为此提出一种基于卷积神经网络和支持向量机的海马子区分割方法。方法该方法构建一种新模型,将卷积神经网络和支持向量机结合起来,使用支持向量机分类器替换卷积神经网络的输出层,通过训练深层网络自动提取图像块特征,利用所提取的图像特征训练支持向量机实现图像的像素级分类。结果实验选取美国旧金山CIND中心的32位实验者的脑部磁共振图像(MRI)进行海马子区分割测试,在定性和定量方面分别对比了本文方法与支持向量机(SVM)、卷积神经网络(CNN)和基于稀疏表示与字典学习方法的分割结果。所提方法对海马子区CA1、CA2、DG、CA3、Head、Tail、SUB、ERC和PHG的分割准确率分别为0.969、0.733、0.967、0.837、0.981、0.920、0.972、0.968和0.976。本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法,各海马子区分割准确率均有较大提升,对较大子区如Head,准确率较现有最优方法提升10.2%,对较小子区如CA2、CA3,准确率分别有36.2%和52.7%的大幅提升。结论本文方法有效提升了海马子区的分割准确率,可用于大脑核磁共振图像中海马及其子区的准确分割,为诸多神经退行性疾病的临床诊断与治疗提供依据。(本文来源于《中国图象图形学报》期刊2018年04期）
王品,何璇,吕洋,李勇明,邱明国[10]（2016）在《基于多特征支持向量机和弹性区域生长的膝软骨自动分割》一文中研究指出为了从膝关节磁共振图像(MRI)中分割出膝软骨,提出一种基于多特征支持向量机(SVM)边缘定位和弹性区域生长的自动分割算法。首先,采用自适应Canny边缘检测算法提取图像主要边缘;再对边缘提取多个图像特征,结合SVM算法对边缘进行分类,完成软骨边缘定位;然后,在软骨边缘的基础上进行种子点及软骨像素区域的选择;之后基于选择的结果采用弹性区域生长进行初步软骨分割;最后,基于先验知识和形态学获得最终膝软骨分割结果。实验结果表明:该算法能够准确、快速地自动分割出膝关节MRI中不同的膝软骨,其中股软骨、胫软骨、髌软骨的平均评价重要指标(DSC)分别可达0.8543、0.8280、0.8703,与手工分割结果具有较高的一致性。(本文来源于《吉林大学学报(工学版)》期刊2016年05期）
分割支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
极光是由太阳风的高能带电粒子与地球大气层相碰撞而产生的,它的形态受空间物理所影响,而将极光从极光图像中分割有利于极光形态研究。)本文基于支持向量机(SVM)对极光图像分割进行研究,在原始图像上进行手工标记若干数量样本点,经过支持向量机训练后可以自动识别极光图像。该方法可以对极光图像具有较好的识别度,可以快速对极光图像进行分割。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分割支持向量机论文参考文献
[1].周凯红,乔新新,李福敏.基于支持向量机的彩色图像分割研究[J].现代电子技术.2019
[2].陈可.基于支持向量机的极光图像分割[J].电子制作.2019
[3].王萌.基于改进支持向量机算法的超声图像分割技术[J].生物医学工程研究.2019
[4].黄巧义,张木,李苹,付弘婷,黄旭.支持向量机和最大类间方差法结合的水稻冠层图像分割方法[J].中国农业科技导报.2019
[5].杨云,张立泽清,齐勇,王妮.集成支持向量机在OCT血管内斑块分割中的应用与研究[J].计算机应用与软件.2019
[6].栗科峰,卢金燕,黄明明,黄全振.基于子图分割与多类支持向量机的人脸识别方法[J].科技通报.2018
[7].马浚诚,杜克明,郑飞翔,张领先,孙忠富.可见光光谱和支持向量机的温室黄瓜霜霉病图像分割[J].光谱学与光谱分析.2018
[8].庞学明,张泽伟,侯爱林,孙浩然.基于支持向量机与随机游走结合的GGO型肺结节分割方法[J].天津医科大学学报.2018
[9].时永刚,程坤,刘志文.结合深度学习和支持向量机的海马子区图像分割[J].中国图象图形学报.2018
[10].王品,何璇,吕洋,李勇明,邱明国.基于多特征支持向量机和弹性区域生长的膝软骨自动分割[J].吉林大学学报(工学版).2016