基于支持向量机的图像分类算法与应用研究

发布时间：2021-11-18 03:59

　　对海量图像的自动分类已经成为了许多领域的研究热点之一,其中包括遥感图像检测、医学应用、人脸识别等。传统的方法在对图像进行操作时,会因为图像的高维属性,使得分类的结果不尽人意。但随着机器学习领域技术的发展,使得人们对图像分类的研究如火如荼的进行着。其中支持向量机（Support Vector Machine,SVM）由于其优良的性能在图像识别、信号处理和回归预测等方面得到了广泛的应用。尽管如此,用SVM解决图像分类仍然存在以下问题:（1）首先是图像本身的问题,一般来说图像都是高维的数据,直接送入SVM分类,会存在维数灾难的问题;同时图像有许多的特征是无关紧要的,去除这些特征不仅可以解决维数灾难的问题,而且还可以保留图像的重要特征。因此寻找一种合适的方法解决SVM图像分类问题中的维数灾难是至关重要的。（2）其次是SVM分类性能问题,它的好坏依赖核函数和核参数的选取,合适的核函数和优化的核参数可以很大程度上提高SVM的分类性能。因此,为了提高SVM在图像分类方面的性能,本论文做了如下工作:（1）对图像进行预处理,确保输入SVM的图片特征信息是重要且精细的。具体而言,我们使用了图像灰度化和线性... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 支持向量机的研究现状
        1.2.1 核函数研究
        1.2.2 多核多类SVM
    1.3 本文研究的主要内容
    1.4 论文结构安排
第二章 准备工作及相关概念
    2.1 卷积神经网络的相关概念
    2.2 鸟群算法的相关概念
    2.3 支持向量机的相关概念
        2.3.1 机器学习的问题
        2.3.2 经验风险最小化
        2.3.3 结构风险最小化
        2.3.4 SVM模型
    2.4 本章小结
第三章 拟鸟群算法的设计与分析
    3.1 拟鸟群算法
    3.2 收敛性分析
    3.3 基准函数测试
    3.4 本章小结
第四章 基于CNN-QBSA-SVM的图像分类算法及实验分析
    4.1 模型整体框架
    4.2 CNN-QBSA-SVM算法主要过程
        4.2.1 图像预处理及特征提取
        4.2.2 支持向量机参数优化
    4.3 案例分析与实验仿真
        4.3.1 数据集介绍
        4.3.2 实验仿真与分析
        4.3.3 实验总结
    4.4 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士期间已发表的论文
攻读硕士期间参加的科研项目


【参考文献】：
期刊论文
[1]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟.  上海大学学报(自然科学版). 2018(03)
[2]基于图像特征细化的海量数据挖掘系统设计与实现[J]. 林凌,许然.  现代电子技术. 2016(24)
[3]基于鸟群算法的微电网多目标运行优化[J]. 曾嶒,彭春华,王奎,张艳伟,张明瀚.  电力系统保护与控制. 2016(13)
[4]基于主成分分析的结构光条纹中心提取方法[J]. 蔡怀宇,冯召东,黄战华.  中国激光. 2015(03)
[5]基于朴素贝叶斯K近邻的快速图像分类算法[J]. 张旭,蒋建国,洪日昌,杜跃.  北京航空航天大学学报. 2015(02)
[6]全球5G发展现状概览[J]. 高芳,赵志耘,张旭,赵蕴华.  全球科技经济瞭望. 2014(07)
[7]Remote Sensing Image Classification Based on Decision Tree in the Karst Rocky Desertification Areas: A Case Study of Kaizuo Township[J]. Shuyong MA,Xinglei ZHU,Yulun AN.  Asian Agricultural Research. 2014(07)
[8]基于混合梯度下降算法的支持向量机参数优化[J]. 莫赞,刘希良,谢海涛.  网络新媒体技术. 2014(02)
[9]一种结合SVM与卡尔曼滤波的短时交通流预测模型[J]. 朱征宇,刘琳,崔明.  计算机科学. 2013(10)
[10]基于改进的网格搜索法的SVM参数优化[J]. 王健峰,张磊,陈国兴,何学文.  应用科技. 2012(03)



本文编号：3502160