训练样本采集与处理

摘要

支持向量机是统计学习方法，正成为当今研究的热点。支持向量机在模式识别和文本分类等方面获得了极大的成功，分类的准确率很高，用支持向量机的方法处理一些二值图像和灰度图像，能获得较好的统计结果，从中摸索出了一种特征向量集的选取方法，讨论了判断结果优劣的标准，比较了支持向量方法与其他方法得到的结果，得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计特性。

V.Vapnik提出的支持向量机（Support Vector Mchine,以下简称SVM）的基本思想是：现在样本空间或特征空间，构造出最优超平面，是的超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。

关键词：支持向量机；图像识别；边缘检测；统计学习；数字图像处理

目录

摘要 .................................................................. I 1. 概述 . (2)

1.1 图像识别的概念 (2)

1.2 支持向量机的概念 (2)

1.3 支持向量机与图像识别的关系 (2)

2. 支持向量机模型的建立 (3)

2.1 SVM核函数 (3)

2.2 SVM学习算法的步骤 (3)

3.算法设计及流程 (4)

3.1 SVM图像识别流程 (4)

3.2 样本选择 (5)

3.3 特征提取 (7)

3.4 识别结果及其分析 (8)

4.MATLAB程序设计 (9)

4.1 Matlab图像编程概要 (9)

4.2 SVM的Matlab工具箱使用指南 (9)

4.3 程序源代码 (11)

结论 (14)

参考文献 (14)

基于支持向量机的图像识别程序设计

--训练样本的采集与处理

1.概述

1.1 图像识别的概念

图像识别是模式识别技术在图像领域中的具体运用，是运用模式识别的原

理，以图像的主要特征为基础，利用计算机对图像中的物体进行分类，或者可以说是找出图像种有哪些物体。一个图像识别系统可用图1.1所示的框图来表示。

图1.1 图像识别系统

1.2 支持向量机的概念

支持向量机（Support Vector Machine,SVM ）是建立在统计学理论和结构风险最小原理基础上的，能较好地解决小样本、非线性、高维数等问题。支持向量为训练集中一组特征子集，使得对特征子集的线性划分等价于对整个数据集的分割。

1.3 支持向量机与图像识别的关系

对一幅图像而言，像素是基本组成，从图像识别定义来说，对图像的识别实际就是对像素进行分类，SVM 就是通过对每一个像素进行分类来完成图像识别的，根据支持向量机原理，样本特征到最优分类面的距离大于零为+1类，样本特征到最优图像 获取 预处理 特征提取

和选择

分类函数

判别准则 识别结果

面的距离小于零为-1类，因此它是一种全局门限分类方法，全局门限T=0，只是这时的图像由图像是由图像的多种特征组成的SVM 的图像。

支持向量机是一种有监督的分类方法，因此实现基于支持向量机图像识别就是要完成训练样本的选择、特征提取、核函数及其参数确定。首先分别选择代表两类的像素作为训练样本，提取两类的特征，作为支持向量机的输入：然后选取合适的核函数及其参数，训练分类器。获得支持向量模型：最后提取测试样本特征，产生待分类样本集，用支持向量机进行分类，将像素点归入所属类，从而完成图像识别。

2.支持向量机模型的建立

2.1 SVM 核函数

本文中鉴于高斯核函数和线性核函数的参数比较少，因此选用高斯核函数其形式为：

2

22i j x x K σ-i j （x ,x )=e (6)

此处的2σ=100即为其高斯核函数的参数。高斯核函数(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯核函数的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。

2.2 SVM 学习算法的步骤

（1）获取学习样本：（x ，y ），i-1,2,...,n.

（2）选择进行非线性变换的核函数对错分（误差）进行惩罚的惩罚因子C 。

（3）形成二次优化问题。

（4）用优化方法解决优化问题。

（5）获得样本各特征值，带入方程中，获得分类的支持向量机。

（6）将需要预测或分类的数据代付支持向量机方程中获得结果。