SVM及其擴展算法在圖像處理中的應(yīng)用研究.pdf

1、圖像是信息的一種重要來源，對數(shù)字圖像的處理已經(jīng)成為國內(nèi)外研究的一項重點。圖像分割作為圖像處理中的重要環(huán)節(jié)，已經(jīng)引起大量研究者的關(guān)注。由于圖像分割無統(tǒng)一的分割標準，傳統(tǒng)的分割方法僅適用于特定的應(yīng)用。而利用支持向量機算法進行圖像分割，被證明是一種較為普遍適用且分割效果良好的方法。然而，由于支持向量機算法本身存在計算量大的缺點，在應(yīng)對如圖像分割等大規(guī)模數(shù)據(jù)處理領(lǐng)域時，其計算復(fù)雜度高。因此，如何降低算法的計算復(fù)雜度，成為支持向量機應(yīng)用于圖像處理

2、的一個關(guān)鍵環(huán)節(jié)。
　　 本文針對支持向量機中的二次規(guī)劃問題，利用核向量機和球向量機來對大規(guī)模數(shù)據(jù)進行學(xué)習(xí)，從而驗證其有效性和優(yōu)越性。兩種算法都以幾何算法來求解二次規(guī)劃問題，大大降低訓(xùn)練過程中的計算復(fù)雜度。實驗表明，在對大規(guī)模數(shù)據(jù)進行學(xué)習(xí)時，核向量機和球向量機的學(xué)習(xí)誤差率與標準的支持向量機相當。但在訓(xùn)練過程中算法的時間復(fù)雜度和空間復(fù)雜度遠小于標準的支持向量機。而球向量機作為核向量機的擴展算法，其算法的性能明顯優(yōu)于核向量機。因此，球

3、向量機更加適合對大規(guī)模數(shù)據(jù)進行學(xué)習(xí)。
　　 在圖像分割中，考慮的特征越全面，分割的效果越好。本文采用在樣本圖像上移動一個5×5大小的窗口的方法，來分別提取特征。所提取的特征包括像素值本身、鄰域統(tǒng)計特征和整個窗口的紋理特征。從圖像中所提取出的特征值較大，因此選用球向量機對圖像進行分割。實驗表明，采用球向量機對圖像分割時，其分割效果和抗噪性與標準支持向量機相當。然而球向量機的計算復(fù)雜度要小于標準支持向量機，并且訓(xùn)練所需時間較短。因此