SVM及其扩展算法在图像处理中的应用研究

论文摘要

图像是信息的一种重要来源,对数字图像的处理已经成为国内外研究的一项重点。图像分割作为图像处理中的重要环节,已经引起大量研究者的关注。由于图像分割无统一的分割标准,传统的分割方法仅适用于特定的应用。而利用支持向量机算法进行图像分割,被证明是一种较为普遍适用且分割效果良好的方法。然而,由于支持向量机算法本身存在计算量大的缺点,在应对如图像分割等大规模数据处理领域时,其计算复杂度高。因此,如何降低算法的计算复杂度,成为支持向量机应用于图像处理的一个关键环节。本文针对支持向量机中的二次规划问题,利用核向量机和球向量机来对大规模数据进行学习,从而验证其有效性和优越性。两种算法都以几何算法来求解二次规划问题,大大降低训练过程中的计算复杂度。实验表明,在对大规模数据进行学习时,核向量机和球向量机的学习误差率与标准的支持向量机相当。但在训练过程中算法的时间复杂度和空间复杂度远小于标准的支持向量机。而球向量机作为核向量机的扩展算法,其算法的性能明显优于核向量机。因此,球向量机更加适合对大规模数据进行学习。在图像分割中,考虑的特征越全面,分割的效果越好。本文采用在样本图像上移动一个5×5大小的窗口的方法,来分别提取特征。所提取的特征包括像素值本身、邻域统计特征和整个窗口的纹理特征。从图像中所提取出的特征值较大,因此选用球向量机对图像进行分割。实验表明,采用球向量机对图像分割时,其分割效果和抗噪性与标准支持向量机相当。然而球向量机的计算复杂度要小于标准支持向量机,并且训练所需时间较短。因此,使用球向量机对图像进行分割,避免了支持向量机训练速度慢的缺点,可显著提高图像分割的整体性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 图像分割的综述
• 1.3.1 图像分割的定义
• 1.3.2 图像分割的传统方法
• 1.4 支持向量机概述
• 1.5 本文的主要工作和章节安排
• 第二章 图像分割技术简述
• 2.1 图像的预处理技术
• 2.2 图像分割的一般方法
• 2.2.1 基于区域的分割方法
• 2.2.2 阈值分割
• 2.2.3 基于边缘的分割方法
• 2.2.4 基于特定理论的分割方法
• 2.3 小结
• 第三章 统计学习理论与支持向量机
• 3.1 机器学习的一般理论
• 3.2 经验风险最小化
• 3.3 统计学习理论
• 3.3.1 VC维
• 3.3.2 推广性界限
• 3.3.3 结构风险最小化
• 3.4 支持向量机
• 3.4.1 广义最优分类面
• 3.4.2 核函数
• 3.4.3 支持向量机的算法
• 3.5 小结
• 第四章 基于几何算法的支持向量机
• 4.1 支持向量机的局限性
• 4.1.1 支持向量机中的二次规划问题
• 4.1.2 传统QP问题的解决方法
• 4.2 最小包围球问题
• 4.2.1 相关定义
• 4.2.2 （1+ε）近似包围球算法
• 4.3 核向量机
• 4.3.1 核向量机的描述
• 4.3.2 实验与讨论
• 4.4 球向量机
• 4.4.1 球向量机的描述
• 4.4.2 实验与讨论
• 4.5 小结
• 第五章 基于球向量机的图像分割
• 5.1 分割图像样本
• 5.2 输入空间
• 5.3 图像特征提取及归一化
• 5.3.1 像素特征及灰度统计特征
• 5.3.2 纹理特征的提取
• 5.3.3 特征归一化
• 5.3.4 最终样本的选取
• 5.4 实验及分析
• 5.4.1 训练样本的获取
• 5.4.2 参数选择
• 5.4.3 原始样本的图像分割
• 5.4.4 有噪声样本的图像分割
• 5.5 小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 附录 （攻读硕士学位期间发表的论文）
• 详细摘要