基于改進(jìn)的SVM彩色圖像分割方法研究.pdf

1、圖像分割旨在研究如何有效地將圖像依據(jù)一定的規(guī)則劃分成各具特性的區(qū)域并對其感興趣區(qū)域進(jìn)行提取，其分割質(zhì)量直接或間接影響后期圖像分析和理解的效果。圖像分割的本質(zhì)就是對像素進(jìn)行分類，故選擇性能優(yōu)良的分類算法對于圖像分割具有重要的理論價(jià)值與實(shí)際意義。
　　20世紀(jì)末提出的支持向量機(jī)(Support Vector Machine，SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)的有監(jiān)督分類的新型機(jī)器學(xué)習(xí)算法，已經(jīng)在數(shù)據(jù)分析、圖像分割和信號處理等眾多領(lǐng)域得到廣

2、泛的關(guān)注與應(yīng)用，尤其是對解決非線性、小樣本等的分類問題具有潛在優(yōu)勢。
　　本文圍繞SVM理論展開研究，提出兩種改進(jìn)的SVM彩色圖像分割方法。首先考慮不同類型核函數(shù)之間的互補(bǔ)性，并兼顧圖像特征屬性以及訓(xùn)練樣本選取方式，提出了基于k均值聚類和粒子群優(yōu)化的多核SVM彩色圖像分割方法；同時(shí)鑒于支持向量、非支持向量和噪聲點(diǎn)在SVM進(jìn)行圖像分割過程中呈現(xiàn)的差異性，為了突出不同類型樣本點(diǎn)在圖像分割過程中的實(shí)際作用，使得圖像的分割效果更加能夠符合

3、人類視覺注意機(jī)制，提出了基于視覺注意和改進(jìn)隸屬度的FSVM彩色圖像分割方法。主要工作如下：
　　1.針對單核SVM在進(jìn)行圖像分割過程中不能兼顧分割精度高和泛化性能好的問題，提出了一種基于k均值聚類和粒子群優(yōu)化的多核SVM彩色圖像分割方法。該方法首先在L*a*b*顏色空間提取像素級顏色特征，利用Gabor變換提取像素級紋理特征；然后使用k均值聚類依據(jù)圖像像素級顏色特征和紋理特征選取適量的訓(xùn)練樣本，并使用該特征屬性對構(gòu)造的多核SVM分

4、割模型進(jìn)行訓(xùn)練；最后用粒子群優(yōu)化算法對多核核參數(shù)、懲罰因子以及核權(quán)重系數(shù)聯(lián)合尋優(yōu)，使生成的多核SVM具有更好的分割性能。通過選取復(fù)雜背景下的典型彩色圖像進(jìn)行分割實(shí)驗(yàn)，結(jié)果表明，本文方法在有效提取圖像目標(biāo)細(xì)節(jié)的同時(shí)，獲得了更高的分割精度，與基于單核的SVM分割模型相比，具有更強(qiáng)的泛化能力。
　　2.針對SVM分割圖像時(shí)存在對噪聲和孤立點(diǎn)較敏感而容易產(chǎn)生誤分割的問題，提出了一種基于視覺注意和改進(jìn)隸屬度的FSVM彩色圖像分割方法。該方法

5、將人類視覺顯著性檢測機(jī)制因素也考慮在內(nèi)，避免了噪聲點(diǎn)等非重要訓(xùn)練樣本的干擾且使得分割效果符合人類視覺特點(diǎn)，改進(jìn)的隸屬度函數(shù)綜合考慮了樣本點(diǎn)距離類中心的遠(yuǎn)近以及樣本點(diǎn)的疏密程度，從而有效的懲罰噪聲點(diǎn)等，即增強(qiáng)了支持向量的作用，可以有效提高分割準(zhǔn)確率。通過選取伯克利圖像庫中典型的彩色圖像進(jìn)行分割驗(yàn)證，結(jié)果顯示，與標(biāo)準(zhǔn)的SVM及基于樣本疏密程度隸屬度的SFSVM分割方法相比，本文方法能夠?qū)?fù)雜場景下的彩色進(jìn)行有效分割，同時(shí)呈現(xiàn)出良好的抗噪能力