【《基于SVM的图像分类方法与应用研究》13000字】

基于SVM的图像分类方法与应用研究摘要随着世界科技的快速发展，人们在工作和日常生活中产生了大量的图像数据，这能带给我们丰富多彩的世界，但是对于不同类别的图像信息，我们会很难对其进行分类，所以我们需要靠图像分类技术来进行分类。目前，图像分类技术在世界各个领域的应用上有着非常重要的发展，而且对于在图像检索方面的发展会有很好的促进作用。支持向量机是一种线性分类器，是一种新的关于统计的学习方法，这种新的学习方法对非线性等问题有很好的解决效果，具有很高的泛化能力，因此它克服了传统的统计分类的很多缺点。而且因为这种新的统计学习方法它推广能力强，结构也很简单，所以支持向量机被认为是一个具有很高的效率的分类方法，所以在很多的图像分类的应用领域上，有关支持向量机的分类技术就显得尤为重要，这就使得支持向量机在图像分类的应用领域上有着非常重要的作用。本文主要通过对彩色图像和黑白缺陷图像进行灰度直方图提取和SIFT特征提取，然后利用SVM算法生成模型进行分类预测，对实验结果进行分析，最后将支持向量机算法同其他的三类机器学习方法进行对比。关键词：支持向量机；图像分类；特征提取；统计学习；灰度直方图目录1.绪论 [20]。可以把这个矩阵看成四个象限，其中在二、四象限的数值是越多越好，在一、三象限的数值越少越好。所以，我们可以从上述各个有关混淆矩阵的图片中可以看出，使用同一种机器学习图像分类处理方法分类两种不同种类的图像，其中彩色图像的混淆矩阵中的二、四图像的数值要比缺陷图像的数值多，混淆矩阵中的一、三象限的数值要比缺陷图像的数值少，这可以得出对于同一种分类方法，彩色图像分类的准确度要比缺陷图像的好；使用不同的机器学习的图像分类处理方法分类同一种图像，也可以看出基于SVM的图像分类处理方法会比其他三种机器学习图像分类处理的方法要好得多。实验性能分析实验的性能分析主要考虑所要实现的功能在运行的过程中是否能够达标，对于一个完整的实验系统而言，性能的分析是非常重要的。易用性。图像分类技术的目的是为了让广大的群众能够高效且快速的搜索和浏览自己想要寻找的图像信息，不需要花费很多的时间来查找图像，只需要通过对想要查找的图像信息所属的类别进行检索，通过检索到的图像分类信息，就可以很容易的找到自己想要的图像数据。所以，在实验的设计过程中，一切都要以用户的体验为准，要针对用户的使用体验进行设计，使用户能够更加方便快捷的使用。扩展性。图像分类是以当前的一些需求为目的设计的，但是由于用户对于图像的理解和看法不断地在发生变化，而且每个人对图像都会有不同的理解，就算对同一个图像，每个人的想法都会不同。所以，为了能够很好的适应用户的各种问题，我们必须要考虑到这个实验的扩展性问题。所以我们需要对图像分类的知识进行更加深入的研究，要达到面对用户的新的要求时能够对实验的功能进行扩展和完善。安全性。由于图像分类技术会涉及到大量的图像数据，这些图像数据中又会包含大量的信息，这些信息的内容有可能会涉及到个别人的隐私，所以对于这些图像数据的处理需要在国家允许的范围内，而且需要符合国家的法律法规的情况下进行操作的，为了保证这些图像数据信息的安全性，我们必须提高实验的安全性能。总结与展望总结如今，黑白的图像已经被人们所淘汰，出现在人们的视野中都会认为是以前老一辈的图像，现在，人们经常看到的是一些彩色的图像，彩色图像已经成为人们交流信息的必经之路，因为彩色的图像更能够清楚地表达图像中的内容，帮助人们更快的理解图像中所包含的信息。现在的颜色都会包含特定的含义，比如红色代表热情，白色代表纯洁，但是，每个人对待事物的看法是不同的，像热情似火的红色在有的人看来会代表着脾气暴躁等性格，这两种理解是相反的，所以当我们使用不同的分类器对图像进行分类时，图像中所包含的信息也会根据分类器的理解而发生变化，会使得对于图像的搜索变得非常的困难，所以我们需要利用相关的学习知识与SVM分类器相结合，完成对图像的分类，有效的解决图像分类的问题，帮助用户更加快速的识别和分类图像，为用户提供方便。本文采用图像分类技术设计了一个图像分类实验，并在其中对支持向量机做出了比较全面的介绍。还采用SIFT特征提取对图像进行特征提取，并通过SVM分类器对两种不同种类的图像进行分类处理和预测，在实验中也取得了不同的结果，从这些结果中我们就可以看出，选取彩色的图像，能较大的提高对图像分类的准确率。展望虽然本论文的研究取得了初步成效，但是还有很长的路要走，还需要针对支持向量机进行更加深入的研究，这是因为支持向量机是有发展前景的，但是由于支持向量机只能用来就切关于二分类的问题，不能用来求解关于多分类的问题，所以这一点就阻碍了支持向量机的发展。现在关于多分类的问题，主要是用多个支持向量机相结合，然后就可以用来求解关于多分类的问题。然而，这种用来求解多分类问题的方法并不是很理想，所以从针对支持向量机的方法来研究关于多分类的问题，是下一步的关键所在。人们对图像的理解是不同的，对于图像中的特征的理解也是不同的，所以，在以后的研究过程中，人的肉眼所观察到的图像，以及对于图像的理解，会是研究过程中重点需要考虑的。而且可以从人们对于色彩的感知和理解等方面进行更加深入的研究。参考文献杜二玲,范毅君,李海军.统计学习理论基础研究新进展[J].现代工业经济和信息化,2016,6(18):27-28.XuegongZ,张学工.INTRODUCTIONTOSTATISTICALLEARNINGTHEORYANDSUPPORTVECTORMACHINES关于统计学习理论与支持向量机[J].ActaAutomaticaSinica,2000,26(1):32-42.孙舒琬.支持向量机算法研究及其在目标检测中的应用[D].山东:山东大学,2017.王振武,孙佳骏,于忠义,等.基于支持向量机的遥感图像分类研究综述[J].计算机科学,2016,043(009):11-17,31.KnudIlleris.Anoverviewofthehistoryoflearningtheory[J].EuropeanJournalofEducation,2018,53(1).张松兰.支持向量机的算法及应用综述[J].江苏理工学院学报,2016(2):14-17.SiP,WeiH.Researchonanimprovedneuralnetworklicenseplaterecognitionalgorithm[J].ElectronicMeasurementTechnology,2016,39(10):100-103.陶勤勤.基于卷积神经网络和改进支持向量机的人脸检测[D].合肥:合肥工业大学,2016.沈可.基于SVM的蛋白质可溶性预测及HBV中变异的模式分析研究[D].苏州:苏州大学,2016.张松兰.支持向量机的算法及应用综述[J].江苏理工学院学报,2016(2):14-17.王瑶,徐昌,舒福舟.基于SVM算法的两种特征提取的图像分类方法分析[J].电脑与信息技术,2019,027(006):18-20,33.VLADIMIRN.VAPNIK.统计学习理论[M].北京:电子工业出版社,2004.尹嘉鹏.支持向量机核函数及关键参数选择研究[D].哈尔滨:哈尔滨工业大学,2016.胡春,胡文,李圣华.支持向量机研究综述[J].知识窗(教师版),2018(12).易校石.线性可分支持向量机的算法及应用[D].重庆:重庆师范大学,2019.谢福民.支持向量机理论研究[J].科技广场,2011,000(001):6-8.陈永义,俞小鼎,高学浩,等.处理非线性分类和回归问题的一种新方法(I)--支持向量机方法简介[J].应用气象学报,2004,015(003):345-354.NandaMA,SeminarKB,NandikaD,etal.AComparisonStudyofKernelFunctionsintheSupportVectorMachineandItsApplicationforTermiteDetection[J].Information(Switzerland),2018,9(1):5.周治平,李文慧,周明珠.基于词包和特征融合的目标识别算法[J].数据采集与处理,2017,32(003):489-496.米爱中,张盼.一种基于混淆矩阵的分类器选择方法[J].河南理工大学学报(自然科学版),2017,36(002):116-121.沈黎,肖勇,刘莺.一种基于中文关键字符串