一种改进的支持向量机及其在图像分割中的应用

论文摘要

支持向量机作为一种新的基于统计学习理论的机器学习方法，是对传统的机器学习方法的一个很好的替代，其在小样本、高维空间和非线性情况下表现出许多特有的优势。现存的支持向量机方法能够很好处理两类别分类问题，但都不能很好地解决多类别分类问题，因此研究多类别支持向量机方法是人们不断探索的目标。基于传统学习理论的图像分割方法，如神经网络方法，虽然得到了广泛应用，但是却存在着推广能力差、网络结构难以确定、容易出现过学习和欠学习等问题。近年来，使用SVM方法进行图像分割也引起人们极大的兴趣。本文从支持向量机以及图像分割的现状出发，首先介绍了几个重要概念，例如统计学习理论、支持向量机的基本理论以及多类别分类支持向量机，同时对现有的各种多类别分类支持向量机作了介绍。通过比较现有的多类别分类支持向量机，本文针对几种距离定义，提出了以“一对一”支持向量机为基础的改进支持向量机，这种改进的支持向量机主要是以改进距离以及加快测试速度为目的的，同时还通过图像分割实验来说明改进的支持向量机在图像分割方面的优势。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1 选题背景及研究意义
• 1.2 支持向量机简介
• 1.3 图像分割简介
• 1.3.1 图像分割的概念
• 1.3.2 常见的几种图像分割方法
• 1.4 支持向量机研究现状
• 1.5 本文的主要工作与内容安排
• 1.6 本章小结
• 2. SVM 理论
• 2.1 统计学习理论基础
• 2.1.1 学习过程的一致性条件
• 2.1.2 VC 维（Vapnik-Chervonenkis Dimension）
• 2.1.3 推广性的界
• 2.1.4 SRM 准则
• 2.2 支持向量机
• 2.2.1 SVM 的分类方法
• 2.2.2 线性可分情况
• 2.2.3 线性不可分情况
• 2.2.4 非线性情况
• 2.3 多类别分类支持向量机方法
• 2.3.1 多类别分类原理
• 2.3.2 常见的几种多类别分类支持向量机方法
• 2.4 SVM 的基本特点
• 2.5 本章小结
• 3. 改进的支持向量机
• 3.1 “一对一”方法（One-against-one Method）
• 3.2 改进的 SVM 方法 （The Improved SVM）
• 3.2.1 几种距离计算公式
• 3.2.2 训练理论
• 3.2.3 测试理论
• 3.2.4 内积核函数
• 3.3 本章总结
• 4. 改进方法在图像分割中的应用
• 4.1 图像分割
• 4.2 实验数据
• 4.3 实验结果及分析
• 4.4 实验结论
• 4.5 本章总结
• 5. 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 在读期间所发论文