应用Gabor小波和支持向量机的纹理分类

针对现有纹理分类算法的局限性,提出了一种基于Gabor小波和支持向量机的纹理分类算法.首先提取纹理Gabor分解后各子带的均值和方差作为特征向量,进而利用支持向量机算法实现分类.实验结果表明,与传统的分类方法相比,Gabor小波和支持向量机相结合能有效地提高分类正确率.     

基于SVM的医学图像分类器的设计

提出了一个基于支持向量机的医学图像分类器.能提取形状和纹理特征作为分类算法的特征输入,进行计算机辅助诊断.提出了一种支持向量机新算法,解决了当两类中的样本数量差别较大时,支持向量机的分类能力将会下降的问题.实验表明,在小样本、两类样本数量严重不均衡的情况下,该算法有着较强的分类能力,可以极大地提高医学图像分类的效率和准确性.     

基于多特征组合的彩色遥感图像分类研究

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题,提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量,据此对遥感影像进行分类,并进行了实验验证。结果表明,颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度,其分类效果优于传统的单一颜色或纹理特征分类,是一种有效的彩色遥感图像分类方法。     

基于统计几何的纹理特征提取及分类算法

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征(SGF)纹理分析方法并与向量机结合构建分类系统。对支持向量机(SVM)的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把一幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

Image feature extraction and classification based on statistical geometrical features

纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征（SGF）纹理分析方法并与向量机结合构建分类系统。对支持向量机（SVM）的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把～幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

基于Contourlet变换和SVM的SAR图像目标识别

针对SAR图像具有斑点噪声,特征提取较难的特点,提出了基于Contourlet变换和SVM的SAR图像目标识别分类算法.该算法的在特征提取时利用了Contourlet域的标准偏差进行特征提取的方法,后端用支持向量机分类器,提高分类精度.实验结果证明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

基于支持向量机的人脸识别研究

针对人脸识别问题,提出了基于主成分分析和支持向量机分类相结合的方法实现人脸图像特征提取,并对提取的人脸特征参数进行分类与识别,得到较好的人脸识别结果。通过实验分析了支持向量机方法中惩罚项权重参数和高斯核函数参数的选择对识别率的影响。最后将支持向量机方法与KNN分类方法获得的结果进行了对比分析,证明了支持向量机方法具有很高的优越性。     

自动文本分类技术研究

随着万维网的发展,文本分类成为处理和组织大量文档数据的关键技术。在阐述了文本分类算法的研究现状,分析了朴素贝叶斯(Na ve Bayes)、kNN和支持向量机(SVM)经典文本分类算法之后,提出了应用最小二乘支持向量机(LSSVM)算法来实现文本分类。对使用用最小二乘支持向量机和一般支持向量机的文本分类结果进行了比较,并得出了结论:使用最小二乘支持向量机进行文本分类缩短了文本分类的时间,并保证了一定的召回率和准确率。     

融合LBP与GLCM的人群密度分类算法

针对中高密度人群图像检测分类对公共安全的重要性,提出融合局部二值模式LBP与灰度共生矩阵GLCM特征提取的人群密度分类方法。首先用旋转不变的LBP算子进行滤波,得到LBP图像,然后提取滤波后图像的GLCM特征,这样既可以避免LBP算子特征降维带来的损失,又能充分利用LBP和GLCM纹理特征提取的有效性,最后采用有向无环图支持向量机DAGSVM进行密度分类。在Pets2009基准数据库中的实验结果显示该算法具有较高的准确率。     

Extreme learning machine with multi-scale local receptive fields for texture classification

Texture classification is a challenging task due to the wide range of natural texture types and large intra-class variations in texture images, such as different rotations, scales, positions and lighting conditions. Many existing methods for extracting texture features are designed carefully by user for specific applications. The extracted texture features are then used as input to various classification methods, such as support vector machines, to classify the textures. The system performance greatly depends on the feature extractor. Unfortunately, there is no systematic approach for feature extractor design. In this paper, we propose a method called extreme learning machine with multi-scale local receptive fields (ELM-MSLRF) to achieve feature learning and classification simultaneously for texture classification. In contrast to traditional methods, the proposed method learns the features by the network itself and can be applied to more general applications. Additionally, it is fast and requires few computations. Experiments on the ALOT texture dataset demonstrate the attractive performance of ELM-MSLRF even compared with the state-of-the-art algorithms. Moreover, the proposed ELM-MSLRF achieves the best performance on the NORB dataset.     

Hybrid IMM/SVM approach for wavelet-domain probabilistic model based texture classification

The Fisher kernel method was recently proposed to incorporate probabilistic (generative) models and discriminative methods for pattern recognition. This method uses parameter derivatives of log-likelihood calculated from probabilistic model(s), Fisher scores, to generate statistical feature vectors. It is followed by discriminative classifiers such as the support vector machine (SVM) for classification. In this work, the authors study the potential of the Fisher kernel method on texture classification. A hybrid system of independent mixture model (IMM) and SVM is introduced to extract and classify statistical texture features in the wavelet-domain. Compared to existing methods that apply Bayesian classification based on wavelet domain energy signatures and stand alone IMM, the new hybrid IMM/SVM method is able to achieve superior performance. Experimental results are presented to demonstrate the effectiveness of this proposed method.     

支持向量机及其在医学图像分类中的应用

支持向量机被看作是对传统分类器的一个好的替代,特别是在高维数据空间下,具有较好的泛化能力。本文首次采用支持向量机方法对医学图像进行了分类研究。为了检验该分类方法的有效性与稳健性,对不同的噪声图像进行试验,试验结果表明,即使存在噪声的情况下,支持向量机方法也能获得较好的分类结果。     

一种基于二维局部二值模式的纹理图像分类方法

局部二值模式（Local Binary Pattern,LBP）在纹理分类中受到越来越多的关注,传统的基于局部二值模式的图像识别方法在LBP直方图统计时仅仅考虑到LBP模式值本身的数量统计,却忽略了模式值之间的相关性.针对这一问题,本文提出一种二维局部二值模式（Two Dimensional Local Binary Pattern,2DLBP）方法,并用于纹理图像识别.首先以旋转不变均匀LBP特征图为基础,引入滑动窗口和LBP模式对的概念,统计LBP模式图的上下文信息,构造出2DLBP特征;然后改变LBP中的半径参数,构造图像的多分辨率2DLBP特征,并利用支持向量机（SVM）的分类方法进行纹理分类;最后选取Brodatz、CUReT、UIUC、FMD四个公开纹理库分别进行纹理分类测试.理论验证表明该方法具有良好的通用性,可以与LBP的其他变型结合成为新的图像特征构造方法.同时,实验结果表明,本文提出方法具有较好的纹理图像分类能力.     

基于支持向量机的浅地层探地雷达目标分类识别研究

对于探地雷达用于探测地雷情况下的目标识别,从实用性上说只需识别地雷或非地雷两类目标即可,而通常的支持向量机正是用于两类分类.本文结合浅地层探地雷达数据的特点,提出了一种基于支持向量机的浅地层探地雷达目标分类识别方法,并分析了时域,傅立叶谱,及离散小波变换三种特征数据用于所提方法时的效果.通过对实测数据进行处理,结果表明三种特征数据用于所提方法都能取得较好的效果.     

基于支持向量机的脑部MR图像细分类

本文提出了基于支持向量机的脑部MR图像细分类器,采用纹理与形状特征相结合方式表达图像,应用StARMiner算法对特征进行选择和计算特征加权系数,最后用支持向量机理论设计分类器对脑部图像进行精细分类。经反复实验优化各参数,粗略分类率可以达到92.10%。细分类可应用于特定人体部位图像的检索系统,以检索出更精确的图像,并且缩减检索空间,提高检索效率。     

基于SVM的可见/近红外光的玉米和杂草的多类识别

杂草的识别分类在精准农业的变量喷施中具有重要的作用.因此提出了一种新的基于SVM(支持向量机),利用决策二叉树在可见/近红外图像中识别作物和杂草的方法.根据近红外波段的光谱特性,利用阈值法实现了植物和土壤背景的分割.将植物冠层的多光谱反射特征、纹理特征和形状特征相结合,采用最大投票机制算法构造合理的决策二叉树,实现了分...