模糊支持向量机建筑物边缘特征提取方法研究

为解决边缘点与非边缘点过渡的模糊边缘,提出了一种模糊支持向量机的边缘检测算法。该算法选用图像3 3窗口4个方向的灰度梯度、梯度幅值和梯度方向组成6维特征向量,同时选用径向机核函数对样本特征向量升维到高维空间,在高维空间中构造最优分类超平面。同时,根据归一化后的梯度幅值来确定每个样本的隶属度,最后利用模糊支持向量机实现边缘检测。实验结果表明了模糊支持向量机边缘检测方法的可行性。     

基于支持向量机的彩色图像边缘检测

提出了一种新的基于支持向量机的彩色图像边缘检测算法.将彩色图像像素3×3邻域内像素的RGB值表示为一个27维的向量,作为该像素的特征,利用支持向量机直接判断其是否为边缘点.针对实际图像的边缘检测实验表明,支持向量机可以有效地进行彩色图像的边缘检测,其检测效果可以和传统的Sobel等边缘检测算子相当.     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

基于支持向量机的图像边缘检测研究

将支持向量机应用于储粮昆虫图像的边缘检测中,利用支持向量机两类分类的思想,借助“支持向量”分辨出图像的背景和目标从而检测了图像的边缘,探讨了图像的边缘检测的一种新方法。     

一种改善的基于支持向量机的图像边缘检测算法

本文给出一种基于支持向量机方法的边缘检测算法,用以改善传统边缘检测方法中存在的比如粗糙边缘、不准确边缘等缺点。支持向量机是建立在统计学理论基础上的一种新的机器学习方法。首先提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测。用所得到的边缘检测算法与Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与Prewitt算法相比,边缘检测性能得到提高。     

基于支持向量机的遥感图像厚云去除算法

厚云的存在大大降低了遥感图像的利用率,利用支持向量机超强捕获边缘点的能力和图像融合方法,提出了一种基于支持向量机遥感图像厚云去除算法。首先构造支持向量值轮廓波变换并对图像进行分解,然后进行云层检测和图像融合,最后进行支持向量值轮廓波逆变换,得到重构图像。仿真实验表明,对于有厚云覆盖但无云区重叠的遥感图像,该算法能取得满意的去云效果,不仅保留了图像边缘信息,而且有效地解决了云层残留问题。     

基于支持向量机的多特征彩色图像边缘检测

针对在特殊领域中彩色图像边缘检测,不仅需要准确地检测到目标边缘而且需要去除非目标边缘,提出了一种新的支持向量机多特征彩色图像边缘检测方法.这种方法根据彩色图像边缘的特点,在图像亮度和色度通道上结合像素加权梯度值和像素邻域相关信息构建多维特征向量,通过训练的支持向量机可以准确识别出目标边缘.实验结果表明,该方法比传统边缘检测方法具有更好目标边缘识别能力.     

基于最小二乘支持向量机的模糊图像恢复

针对模糊图像恢复问题,提出了一种基于最小二乘支持向量机的模糊图像恢复算法.该方法利用最小二乘支持向量机的非线性映射能力,通过训练样本对的学习训练,在模糊图像与清晰图像之间建立映射关系对测试样本进行恢复.实际图像恢复实验表明,得到的恢复图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,最小二乘支持向量机克服了神经网络的模型选择与过学习问题、局部极小问题等.     

基于模糊支持向量机的图像分类方法

电子技术和成像技术的发展导致数字图像迅速增长,依靠先进的技术识别和分类海量的图像数据正是当前各行业急需解决的问题.为此提出了一种基于模糊支持向量机的图像分类方法,通过定义模糊隶属度函数弥补了传统支持向量机在多分类问题中的不足,解决了图像分类中的语义模糊问题.使用Internet上的六类自然图像进行测试,实验结果表明,与传统的支持向量机方法相比,分类性能显著提高.     

两种不确定支持向量机分类性能的对比研究

为了克服支持向量机方法对于噪声或孤立野值点敏感的问题,通过引入模糊理论与粗糙集方法,可以分别得到两种不确定支持向量机模型.文中通过分析和比较模糊支持向量机和粗糙支持向量机分类模型构造方法,解释了这两种不确定支持向量机模型克服噪声影响的原理.同时通过一个合成数据集和一组标准数据集对这两种不确定支持向量机的泛化性能进行了对比验证.实验结果表明,相比传统支持向量机,两种不确定支持向量机都能不同程度地提高分类精度,并且模糊支持向量机算法整体表现出了更好的泛化性能.     

基于支持向量机和神经网络的实时警报系统

根据芯片生产线等场所的需要和现有人工监控手段以及国外基于支持向量机相关产品的缺陷,该文利用图像的二维矩不变量理论,将实时图像转换成灰度图像后,甩CANNY算子作边缘检测,并计算边缘检测图像的二维不变矩,再利用支持向量机的支持向量回归理论对二维不变矩进行训练和识别,提出了一种基于支持向量机与神经网络的实时警报系统的设计算法,给出了算法实例和结果。从实验仿真结果和实际运行情况来看,算法的效果是令人满意的。     

基于支持向量机的轮胎标识点形状识别

轮胎标识点在轮胎分类中发挥着重要的作用,为了解决人工识别标识点 工作强度大、误差较高等问题,提出了一种基于支持向量机的轮胎标识点形状识别算法。首 先利用中值滤波对标识点图像进行降噪处理,根据标识点图像的灰度直方图对图像进行分割 以去除背景,并利用Canny 边缘检测算子提取标识点边缘轮廓。然后,提取标识点轮廓的 傅立叶描述子系数,最后利用支持向量机对标识点的傅立叶描述子系数进行分类以识别标识 点的形状。实验结果表明,该算法能准确地识别出轮胎标识点的形状,提高了标识点识别效 率。     

基于模糊双支持向量机的遥感图像分类研究

遥感图像的分类是研究土地利用变化的基础。传统的遥感图像分类方法存在运算速度慢、精度比较低和难以收敛等问题。提出了一种基于模糊双支持向量机的多类分类方法,将模糊技术引入到双支持向量机中,赋予不同样本以不同的模糊隶属度,然后将模糊双支持向量机推广到多类分类中,最后将新方法应用到遥感图像分类中。实验表明,新方法比传统的支持向量机多类分类方法有较高的分类精度,并且有较强的抗噪声能力,在运行时间上也是可行的。模糊双支持向量机是一种有效的遥感图像分类方法。     

支持向量机虹膜识别算法研究

提出一种基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别方法.利用形态学和圆形边缘检测算子定位虹膜,并将虹膜纹理映射到极坐标空间;定义了一种新的图像分敷维--极值加权平均分数维,用于提取虹膜特征;利用支持向量机分类器对虹膜特征矩阵进行匹配识别.试验表明,基于极值加权平均分数维特征提取和支持向量机分类嚣识别的虹膜识别系统识别率高,速度快.     

FSVM在图像低层特征与高层语义关联中的应用

基于内容的图像检索中,针对图像的低层可视特征与高层语义特征之间的鸿沟,提出了一种新的基于模糊支持向量机(FSVM)的语义关联方法.重点分析了支持向量机语义关联中存在的误分、拒分现象,在传统支持向量机中引入模糊隶属度函数,解决了不可分区域问题.通过对图像低层特征的分析,提取了颜色和形状特征向量(221维),将它们作为模糊支持向量机的输入向量,对图像类进行学习,建立图像低层特征与高层语义的关联.并应用于鸟类、花卉、海洋以及建筑物等几个典型的语义类别检索,实验结果表明,该方法可适应于不同用户的图像检索,在相同的条件下可以达到比支持向量机方法更为理想的语义关联效果,提高了检索性能.     

边缘效应训练的模糊支持向量机及应用

通常支持向量机算法中每个训练样本的地位是平等的,而实际应用中我们发现边缘训练样本对支持向量机分类性能的贡献大于训练中心区域的样本,为此我们提出一种边缘效应的支持向量机训练算法。在训练样本中增加模糊隶属度属性,从而体现训练样本对分类的不同贡献,突出边缘样本的作用。最后结合卫星图像分割实验,对比证明了新算法的有效性。     

结合模糊聚类与支持向量机的图像分割（英文）

提出一种新的混合的图像分割方法,利用模糊C均值聚类与支持向量机两种方法相结合。此方法首先将图像的空间分布信息作为支持向量机的特征分量,再用模糊C均值聚类获得的分类结果作为支持向量机所需的初始训练样本,并对图像的所有像素点进行分类,同一类中的像素点形成一个分割区域,以此获得图像分割。实验表明,此将模糊C均值与支持向量机结合的新方法获得的图像分割效果较好,在一定程度上解决了支持向量机特征维数过大所导致的维数灾难问题。     

基于支持向量机的人脸识别方法

提出一种基于二值边缘图像和支持向量机的人脸识别方法,以具有较强光照鲁棒性的二值边缘图像作为人脸表征,用支持向量机来分类。其中二值边缘图像是用一种基于Sobel算子的局部自适应阂值选取边缘检测算法。仿真实验结果表明对于有165幅人脸的Yale人脸库识别率可达92．73％,而对于有798幅人脸图像的AR人脸库识别率可达95．62％,而且该方法对有光照变化的人脸图像有较好的鲁棒性。     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。