基于底层特征和SVM的图像分类

摘要

近年来,随着计算机技术的发展更新以及图像数据库的日益增多,如何从中快速提取视觉信息越来越受到人们的重视,对图像数据库的分类和检索成为获取图像信息的重要研究问题之一。而图像分类能够减小图像检索范围,使检索效果更加明显,因此图像分类有着极其重要的实用价值。图像分类的研究主要集中在以下两个问题:图像特征的提取和利用学习器对特征进行分类。图像的纹理特征具有旋转不变性,而图像的颜色特征具有较强的鲁棒性,它们是图像中较为重要的两种底层特征。
　　Gabor小波变换是在 Fourier分析的基础之上发展起来的具有较好的信号和图像处理的方法,它在图像的纹理特征提取中能够达到较好的效果,计算也较为简便。支持向量机(SupportVector Machine,SVM)是一种基于统计学理论的一种学习机器。它能够将原样本空间中的非线性可分问题,并进一步在线性可分的特征空间中进行分类研究。本文主要基于Gabor小波和SVM完成了两个工作:
　　一是提出了一种彩色Gabor纹理特征和SVM的图像分类方法,在特征提取部分避免了部分颜色纹理的丢失。Gabor小波在对纹理灰度图像特征提取中有较好的表现,然而对于彩色自然图像中的纹理特征提取则容易丢失部分彩色信息,而在图像的RGB三通道中分别提取纹理特征,形成彩色图像的伪彩色纹理特征,用于分类,则能够保留部分彩色图像的彩色信息。利用 SVM对自然图像库Corel1000图像库进行学习、分类、实验对比,验证了本文所提方法对自然图像有较好的分类效果。
　　二是提出了一种基于多特征融合和SVM的智能图像分类算法。对于一幅自然图像,其单一的底层特征往往不能较为全面的表示图像的信息,本文先利用每个单独的底层特征训练出一个SVM分类器,然后用粒子群优化(Particle Swarm Optimization,PSO)来确定每个分类器的权重,找到最优的参数设置,最后进行投票,对彩色图像进行分类。通过对自然图像库Corel1000图像库进行实验对比,验证了本文所提的基于多特征融合和 SVM的算法对自然图像有较好的分类效果。

目录

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2图像分类研究现状

1.3支持向量机

1.4论文的主要工作和结构安排

第二章 图像的底层特征提取

2.1图像的纹理特征

2.2 图像的颜色特征

2.3 图像的形状特征

2.4 图像的空间位置特征

第三章 支持向量机理论

3.1支持向量机（SVM）基础理论背景

3.2 SVM二分类

3. 3 SVM多分类

第四章 基于彩色Gabor纹理特征和SVM的图像分类

4.1 Gabor滤波

4.2 图像的彩色纹理特征

4.3 实验及分析

4.4 小结

第五章 基于SVM的多特征融合图像分类

5.1颜色直方图

5.2 多特征空间学习

5.3 基于粒子群优化算法的参数选择

5.4 多特征融合SVM-PSO的图像分类实验结果及分析

5.5 小结

总结与展望

参考文献

致谢

攻读硕士期间参与的科研项目