FSVM及其在图像边缘检测应用的研究

论文摘要

图像的边缘检测是图像处理中的一个重要环节，找到与图像中目标的实际边界线相对应的真实边缘一直是图像处理领域的研究热点。经典的边缘检测算法因为其模板相对固定而具有不同程度的局限性，只能应用于有限的较理想的场合。随着机器学习和数据挖掘的迅速发展，支持向量机理论渐渐的被应用到图像边缘检测中，但是由于传统的支持向量机对噪声和野值敏感的特性，使得它很难在提取边缘的同时有效的抑制图像的噪声。为了实际工程的应用，本文提出了一种新的模糊支持向量机(FSVM)并把它在图像边缘检测方面的应用进行了研究。FSVM是一种改进的支持向量机，通过对不同样本赋予不同的隶属度函数，从而减小噪声和野值点的影响。本文则通过构造一种新的隶属度函数来更好的改善FSVM的性能，并利用本文提出的FSVM分类算法建模后对图像进行边缘检测。本论文主要有以下创新点：(1)提出了一种新的基于模糊支持向量机的图像边缘检测算法；(2)构造了一种新的模糊分类隶属度，提高了分类精度；(3)利用本文提出的模糊支持向量机分类算法建立边缘检测的模型对理想状态和噪声状态的图像进行边缘检测的实验，仿真实验结果表明，新的算法稳定性高，抗噪性能好，具有较好的检测效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究内容
• 1.4 论文组织结构与创新点
• 第二章 统计学习理论
• 2.1 机器学习
• 2.1.1 机器学习问题的表示
• 2.1.2 经验风险最小化
• 2.1.3 复杂性与推广能力
• 2.2 统计学习理论
• 2.2.1 VC 维
• 2.2.2 推广能力的界
• 2.2.3 结构风险最小化（SRM）
• 2.3 本章小结
• 第三章 支持向量机及核函数
• 3.1 支持向量机原理
• 3.1.1 线性支持向量机
• 3.1.2 非线性支持向量机
• 3.1.3 多分类支持向量机
• 3.2 SVM 的特点
• 3.3 核函数
• 3.4 本章小结
• 第四章 模糊支持向量机及其隶属度
• 4.1 模糊支持向量机原理
• 4.2 FSVM 的隶属度函数
• 4.2.1 几种常见的模糊隶属度函数
• 4.2.2 一种新的模糊隶属度函数
• 4.3 新的隶属度的验证实验
• 4.3.1 人工数据仿真实验
• 4.3.2 实际问题数据仿真实验
• 4.4 本章小结
• 第五章 基于FSVM 的图像边缘检测
• 5.1 图像边缘类型及其性能
• 5.2 常见的边缘检测方法
• 5.2.1 基于微分的边缘检测算子
• 5.2.2 LOG 算子
• 5.2.3 Canny 边缘检测算法
• 5.2.4 曲面拟合法
• 5.2.5 基于支持向量机的边缘检测
• 5.3 基于FSVM 的边缘检测
• 5.3.1 算法的提出
• 5.3.2 算法思想
• 5.4 仿真实验
• 5.4.1 理想状态图像边缘检测
• 5.4.2 噪声状态的边缘检测
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读学位期间发表的论文