基于底層特征和SVM的圖像分類.pdf

1、近年來,隨著計算機技術的發(fā)展更新以及圖像數據庫的日益增多,如何從中快速提取視覺信息越來越受到人們的重視,對圖像數據庫的分類和檢索成為獲取圖像信息的重要研究問題之一。而圖像分類能夠減小圖像檢索范圍,使檢索效果更加明顯,因此圖像分類有著極其重要的實用價值。圖像分類的研究主要集中在以下兩個問題:圖像特征的提取和利用學習器對特征進行分類。圖像的紋理特征具有旋轉不變性,而圖像的顏色特征具有較強的魯棒性,它們是圖像中較為重要的兩種底層特征。

2、　　Gabor小波變換是在 Fourier分析的基礎之上發(fā)展起來的具有較好的信號和圖像處理的方法,它在圖像的紋理特征提取中能夠達到較好的效果,計算也較為簡便。支持向量機(SupportVector Machine,SVM)是一種基于統(tǒng)計學理論的一種學習機器。它能夠將原樣本空間中的非線性可分問題,并進一步在線性可分的特征空間中進行分類研究。本文主要基于Gabor小波和SVM完成了兩個工作:
　　一是提出了一種彩色Gabor紋理特征和

3、SVM的圖像分類方法,在特征提取部分避免了部分顏色紋理的丟失。Gabor小波在對紋理灰度圖像特征提取中有較好的表現(xiàn),然而對于彩色自然圖像中的紋理特征提取則容易丟失部分彩色信息,而在圖像的RGB三通道中分別提取紋理特征,形成彩色圖像的偽彩色紋理特征,用于分類,則能夠保留部分彩色圖像的彩色信息。利用 SVM對自然圖像庫Corel1000圖像庫進行學習、分類、實驗對比,驗證了本文所提方法對自然圖像有較好的分類效果。
　　二是提出了一種基

4、于多特征融合和SVM的智能圖像分類算法。對于一幅自然圖像,其單一的底層特征往往不能較為全面的表示圖像的信息,本文先利用每個單獨的底層特征訓練出一個SVM分類器,然后用粒子群優(yōu)化(Particle Swarm Optimization,PSO)來確定每個分類器的權重,找到最優(yōu)的參數設置,最后進行投票,對彩色圖像進行分類。通過對自然圖像庫Corel1000圖像庫進行實驗對比,驗證了本文所提的基于多特征融合和 SVM的算法對自然圖像有較好的分