最小二乘支持向量机及其在图像增强中的应用研究

论文摘要

统计学习理论是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。统计学习理论为机器学习问题建立了一个较好的理论框架,也发展了一种新的通用学习算法——支持向量机(SVM),能够较好的解决小样本学习问题,目前,支持向量机已成为国际上机器学习领域新的研究热点。随着对支持向量机多方面的研究,出现了很多改进的支持向量机算法,例如:最小二乘支持向量机算法、增量学习方法等,它们主要是为了减少传统支持向量机的计算复杂性,解决支持向量机在大规模样本集中训练速度较慢的问题。本文主要从支持向量机的算法和应用角度出发,对最小二乘支持向量机算法的改进及其在图像处理中的应用进行了研究。首先,针对最小二乘支持向量机相比传统的支持向量机,丧失了解的稀疏性,影响了二次学习的效率,提出了一种改进的最小二乘支持向量机增量学习方法。改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏,根据每次训练得到的分类器性能来设定剪枝阈值和样本增量的大小,并且仿真实验的结果验证了提出的算法方案可行。一幅被噪声污染的图像在通过锐化处理后,锐化图像上会反映出噪声点,其空间特性可描述为孤立点和像素值较小的点。通过对噪声特性分析,采用本文提出的最小二乘支持向量机方法对锐化图像进行去噪处理,噪声对应的值被置为零,在最后增强中被忽略,使整个处理时间减少。在实际应用中,系统获取的原始图像一般不是完美的,图像质量不高,所以需要进行图像增强处理,以达到提高质量的要求。本文提出了一种加权自适应局部对比度增强算法,它考虑了在图像细节增强的同时对噪声进行抑制。算法结合本文提出的最小二乘支持向量机方法对滤波后的目标图像进行去噪预处理,算法同时还考虑到了图像中不同区域对比度的不同,对于本身具有高的对比度的区域增强较少,而低的区域则增强较大,使增强图像结果比较柔和、改善了图像的视觉效果。通过实验表明,此方法应用在图像增强中是一种可行的方法。最后,对最小二乘支持向量机算法的改进及其在图像去噪处理和图像增强中的应用研究进行了总结,并对今后的研究工作进行了展望。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 论文研究背景
• 1.1.1 支持向量机的产生
• 1.1.2 最小二乘支持向量机
• 1.1.3 支持向量机的应用
• 1.2 本文主要研究内容与组织结构
• 2 统计学习理论与支持向量机
• 2.1 统计学习理论基本内容
• 2.1.1 学习过程一致性条件
• 2.1.2 VC维
• 2.1.3 结构风险最小化
• 2.2 支持向量机
• 2.2.1 最优分类面
• 2.2.2 线性支持向量机
• 2.2.3 非线性支持向量机
• 2.2.4 回归支持向量机
• 2.3 支持向量机的训练算法
• 2.3.1 分解算法
• 2.3.2 变异的支持向量机学习算法
• 2.4 本章小结
• 3 最小二乘支持向量机算法改进
• 3.1 最小二乘支持向量机及其稀疏化
• 3.2 最小二乘支持向量机算法改进
• 3.2.1 增量学习方法
• 3.2.2 最小二乘支持向量机改进算法
• 3.2.3 仿真实例及分析
• 3.3 本章小结
• 4 支持向量机在图像增强中的应用
• 4.1 图像增强理论及其分类
• 4.1.1 点处理图像增强方法
• 4.1.2 模板处理图像增强方法
• 4.2 图像锐化
• 4.2.1 图像锐化的基本方法
• 4.2.2 基于支持向量机的图像锐化方法
• 4.3 图像去噪
• 4.3.1 图像去噪的基本方法
• 4.3.2 基于支持向量机的图像去噪方法
• 4.4 一种改进的局部对比度图像增强算法
• 4.4.1 最小二乘支持向量机对锐化图像的处理
• 4.4.2 加权自适应局部对比度增强算法
• 4.4.3 仿真实例及分析
• 4.5 本章小结
• 5 结论与展望
• 参考文献
• 附
• 1.作者在攻读硕士学位期间发表的论文、科研情况
• 2. 致谢