基于支持向量机的实时路面检测算法

二阶多项式核函数支持向量机分类决策函数可以表示为待分类向量各分量的形式，其中的同类项可以合并，同类项的系数在得到支持向量后可以计算得出。使用这样的分类决策函数，可以避免分类时待分类向量和各个支持向量逐个进行的运算，使分类计算速度和支持向量个数无关。针对实际道路图像的对比实验表明，采用这种新算法的支持向量机路面检测分类器，在路面检测精度上优于神经网络，在计算速度上也能很好地满足实时检测的要求。     

基于支持向量机的遥感图像分类研究综述

遥感技术是目前用于研究地球矿产资源与能源的重要技术手段,遥感图像分类在遥感技术应用中起着关键作用。支持向量机(Support Vector Machines,SVM)是基于VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原理的机器学习方法,已被广泛应用于实际的遥感影像分类中。 对 国内外学者对此做的大量研究 成果进行了系统的总结。对基于支持向量机的遥感图像分类方法进行了层次性梳理,不但纵向分析和比较了每类方法的原理及优缺点,而且对各类方法进行了横向比较和分析,较为系统和完整地概括了基于支持向量机的遥感影像分类方法的研究现状。最后指出了支持向量机算法应用于遥感图像分类的未来发展方向。     

基于小波支持向量机的遥感影像融合

针对遥感影像融合中出现的对比度差、边缘模糊等问题,利用支持向量机的统计学习优势,结合方向滤波器组的多方向特性,提出一种基于支持向量机的遥感影像融合框架。由于小波核相对其他核函数对复杂的信号具有更好的逼近能力,因此利用Morlet母小波构造核函数,研究基于小波支持向量机的遥感影像融合,提高遥感影像融合的精确度。实验结果表明,该方法的融合效果优于传统的图像融合方法。     

支持向量机分类器遥感图像分类研究

SVM分类器核函数的选择以及参数的设置直接影响系统的泛化能力和运行速度。引入交叉验证技术和栅格搜索技术,对径向基核、多项式核和Sigmoid核函数应用于图像多类别分类的性能进行理论推导、测试及分析,求得三种核函数应用于SVM分类器的性能,并证明了栅格搜索寻找最优参数的有效性。最后通过对TM 6波段BSQ格式遥感图像进行分类对比证明了SVM分类器核函数用于TM图像分类的可行性及高效性。     

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。     

基于支持向量机的遥感影像薄云去除方法

提出了一种基于支持向量机的遥感影像薄云去除方法。利用支持向量机对边缘点的极强捕捉能力,将含云遥感影像进行多尺度分解,获得不同尺度上的变换系数,再结合方向滤波器组得到丰富的高频信息。采用自适应阈值的图像增强方法处理这片区域,重构时通过对高频区域的增强和低频区域的抑制,得到去云图像。实验结果表明,采用该方法能有效地去除遥感影像中的薄云。     

基于偏好型支持向量机的遥感图像云检测技术

针对以往遥感图像云检测方法对雪地等特殊地貌识别效果不理想的问题,基于偏好型支持向量机(preference support vector machine,PSVM)提出一种云检测技术。利用图像的灰度特征和纹理特征,提取图像的能量、对比度、逆差矩、熵、自相关性以及平均灰度值6个分类指标,使用偏好训练的方式,提高对云和普通地貌的识别准确率,准确区分云和雪地等特殊地物。实验结果表明,PSVM方法综合识别准确率达到了97.66%,特殊地貌识别准确率达到了99.31%,相比于传统的云检测算法性能提升显著。     

基于支持向量聚类的多聚焦图像融合算法

从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.使用非降采样离散小波变换对源图像进行多分辨率分解,基于网格提取源图像的特征.图像特征集合作为SVC的输入数据集,聚类结果最终由区域鉴别算法分配到两个区域:互补信息区域和冗余信息区域,并分别采用选择法和加权平均法生成融合图像的多分辨率表示,通过对这一多分辨率表示进行小波逆变换重构融合图像.详细研究了SVC的参数q与融合效果的评价参数RMSE之间的关系.理论分析及实验结果均表明,SVC用于图像融合问题是合适的,而且比较实验显示,基于SVC的融合规则优于基于SVM的融合规则.     

基于图像融合和支持向量机的脐橙品质分级研究

脐橙品质分级可以创造更大商品价值,提高果农收益。对脐橙多角度多区域拍照后,进行图像融合,得到脐橙图像数据集。构建和训练脐橙品质分级支持向量机（SVM）模型,将测试图像输入模型进行脐橙自动分级,得出测试结果。     

基于光滑支持向量机的图像水印技术

一些基于标准支持向量机的图像水印技术,使图像水印的效果得到一定改善,但降低了图像水印技术的效率.针对这个问题,用光滑支持向量机取代标准支持向量机,结合图像的局部相关特性来确定图像的最佳嵌入位置和嵌入强度,提出一种基于光滑支持向量机的图像水印技术,并做了仿真实验.实验表明,这种技术与以往基于标准支持向量机的图像水印技术相比,不仅效果更优,而且效率也显著提高.     

基于支持向量机的图像特征选择研究

相关反馈是近年来基于内容图像检索的研究热点,本文将当前统计学习理论的最新成果--支持向量机应用于反馈过程,对用户给出的正负反馈图片信息进行学习,并在2035幅图片库上应用不同的特征组合进行了反馈学习过程的比较实验,探讨了图像特征对支持向量机性能的影响.实验表明,多类别的特征选取有助于检索性能的提高.     

基于SVM的遥感影像的分类

遥感图像的分类方法包括统计模式识别、句法模式识别、以及神经网络、遗传算法、模拟退火算法等等。本文分析了统计模式识别方法的优缺点，提出了使用SVM的方法进行遥感图像分类的设想，通过实验证明该方法是有效和稳健的。     

基于支持向量机的遥感图像压缩方法

在分析遥感图像特征的基础上,提出了一种基于支持向量机(SVM)的遥感图像压缩方法。该方法采用小波变换把原图像分解成不同尺度的多个子带,对最低频子带系数采用DPCM直接编码,对其它频带系数采用SVM回归方法学习数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,从而实现数据压缩。实验表明,与同类压缩方法相比,该算法获得的恢复图像的主客观质量有明显提高。     

医学图像决策支持系统中的SVM算法

支持向量机(SVM)方法是利用最优分类面(线)将两类样本在特征空间或输入空间中无错误地分开,而且要使两类的分类空隙最大。因此标准的SVM方法需要求解二次规划问题,计算量很大。该文以一个医学决策支持系统为应用背景,介绍一种解决该问题的新方法。在UCI数据集和所开发的决策支持系统上的应用表明,该算法简便可行,具有更高的精度和更快的速度。     

基于直推式支持向量机的图像检索

为缩小图像的低层特征与高层语义之间的语义鸿沟,基于支持向量机的相关反馈机制受到越来越广泛的关注,但这种方法并没有利用未标记样本的隐含信息.为更好地利用这些信息,提出将直推式支持向量机作为反馈过程中的学习算法.通过分析其所用特征向量的特点,设计一种颜色稀疏特征,并将其与纹理特征结合作为图像描述的特征.实验结果表明该方法较令人满意,同时也说明直推式支持向量机可在文本分类以外的领域取得较好结果.     

基于SVM的遥感图像自动分类研究

遥感图像具有信息大、灰度级大等特点,传统简单组合特征出现特征冗余、维数高等缺陷,造成图像分类精度差.为提高分类的准确性,提出一种多目标优化人工蜂群算法的遥感图像自动分类算法(ABC-SVM).首先提取遥感图像的颜色、纹理特征,然后采用人工蜂群算法对特征进行选择和优化,最后采用支持向量机对优化特征进行训练,建立遥感图像自动分类模型.仿真结果表明,ABC-SVM克服了传统组合特征算法的缺陷,提高了遥感图像分类准确率,加快分类速度,可以满足遥感图像分类的实时性要求.     

基于支持向量机的分类预测算法研究

分类预测是数据挖掘、机器学习和模式识别等很多领域共同关注的问题,已经存在了许多有效的分类算法,但这些算法还不能解决所有的问题。支持向量机作为一种新的分类预测工具,能根据有限样本信息在模型的复杂性和学习能力间取得平衡,并能获得更好的泛化能力。SMO算法是支持向量机中使用最多的算法,它体现了支持向量机的优点,同时也能处理大规模训练集。     

SVM结合模糊方法在遥感图像分类中的应用

提出一种支持向量机(SVM)结合模糊方法的遥感图像分类算法。首先介绍了SVM基本算法及其在遥感图像分类中应用情况,然后针对SVM多类判别存在混分和漏分的缺陷,对混分和漏分样本采用模糊方法判决分类。实验证明该方法的分类精度优于单一的SVM方法、模糊方法或神经网络方法。