基于自适应特征选择和SVM的图像分类的研究
第２７卷第１期计算机应用与软件Ｖ０１．２７Ｎｏ．１
２０１０年１月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＪａｎ．２０１０
基于自适应特征选择和ＳＶＭ的图像分类的研究
潘崇朱红斌
（丽水学院计算机与信息工程学院浙江丽水３２３０００）
摘要提出多特征结合的图像分类方法，分别提取颜色特征和ＬＢＰ纹理特征，同时提出Ａｄａｂｏｏｓｔ算法对特征进行选择，选择最
能表示图像的特征，这样既降低了特征的维数，又提高了分类的精度。最后对基于ＳＶＭ的多类图像分类方法进行了研究，提出在二
类支持向量机的基础上构造多类分类器的方法，实验结果表明，提出的方法能够很好地用于图像分类。
关键词图像分类支持向量机特征选择Ａｄａｂｏｏｓｔ算法
ｏＮＩＭＡＧＥＣＬＡＳＳＩＦＩＣＡＴＩＯＮＢＡＳＥＤｏＮＡＤＡＰＴＩＶＥＦＥＡＴＵＲＥＳＥＬＥＣＴＩｏＮ
ＡＮＤＳＵＰＰＯＲＴＶＥＣＴＯＲＭＡＣＨＩＮＥ
ＰａｎＣｈｏｎｇＺｈｕＨｏｎｇｂｉｎ
（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬｉｓｈｕｉＵｎｉｖｅｒｓｉｔｙ，Ｌｉｓｈｕｉ３２３０００，撕昭，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＡｎｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｍｕｌｔｉ．ｆｅａｔｕｒｅｍｅｒｇｅｎｅｅｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ，ｉｔｅｘｔｒａｃｔｓｒｅｓｐｅｃｔｉｖｅｌｙｔｈｅｃｏｌｏｕｒｆｅａｔｕｒｅａｎｄ
ＬＢＰｔｅｘｔｕｒｅｆｅａｔｕｒｅ，ｍｅａｎｗｈｉｌｅＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍｉｓｐｕｔｆｏｒｗａｒｄｆｏｒｆｅａｔｕｒｅｓｅｌｅｃｔｉｎｇ．Ｂｙｃｈｏｏｓｉｎｇｔｈｅｆｅａｔｕｒｅｗｈｉｃｈｒｅｐｒｅｓｅｎｔｓｉｍａｇｅｔｈｅ
ｂｅｓｔ．ｉｔｃ明ｂｏｔｈｒｅｄｕｃｅｆｅａｔｕｒｅ’Ｓｄｉｍｅｎｓｉｏｎａｎｄｉｍｐｒｏｖｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｅｃｉｓｉｏｎ．Ｉｎｔｈｅｅｎｄｏｆｔｈｉｓｐａｐｅｒ，ｔｈｅｍｅｔｈｏｄｏｆｍｕｌｔｉ。ｃｌａｓｓｉｍａｇｅｃｌａｓ・
ｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｉｓｓｔｕｄｉｅｄ，ａｎｄｔｈｅａｐｐｒｏａｃｈｏｆｃｏｎｓｔｒｕｃｔｉｎｇｔｈｅｍｕｌｔｉ－ｃｌａｓｓｃｌａｓｓｉｆｉｅｒｂａｓｅｄｏｎｔｗｏ。ｃｌａｓｓＳＶＭｉｓ
ｐｒｏｐｏｓｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｈａｓｇｏｏｄｐｅｒｆｏｒｍａｎｃｅｉｎｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ・
ＫｅｙｗｏｒｄｓＩｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎＳｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅＦｅａｔｕｒｅｓｅｌｅｃｔｉｏｎＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ
０引言
随着数字图像处理技术的发展和实际应用的需要，图像分类识别技术应运而生。例如从遥感图像中识别出各种农作物、
森林资源、矿产资源等，用人工地震波形图寻找有油的岩层结
构，根据医学ｘ光图像分析各种病变，邮政系统中的信函自动
分拣等等，都需要对图像中的各种对象进行区别分类。图像的计算机分类，是模式识别技术在图像领域中的具体运用，它的目
的是研制能够自动处理图像信息的计算机系统，以便代替人们
完成图像的分类和识别的任务【１．２１。基于内容的｜冬Ｉ像分类对图像数据库的检索、图像过滤、图像
识别等具有霞要意义，研究人员已做了一些有意义的工作。文献［３］中基于图像的颜色和主方向特征利用ＫＮＮ分类器实现
了室内／室外的图像分类。文献［４］使用支持向量机分类器实
现ｒ基于颜色直方图的图像分类系统。文献［５］中利用Ｂａｙｅｓ－ｔａｎ分类器实现了基于空间颜色矩和边缘方向直方图的室内／室
外、城市／自然风景图像分类。这些方法都只用到了图像的颜色
特征，由于各种对象的复杂性以及干扰因素的多样性，使得这些分类方法的分类精度较低。
本文提出多特征结合的图像分类方法，分别采用颜色特征和ＬＢＰ纹理特征，同时采用Ａｄａｂｏｏｓｔ对特征进行选择，选择最
能表示图像的特征，这样既降低了特征的维数，又提高Ｊ，分类的
精度。最后提ｆＩｊ在一类支持向量机的基础｜二构造多类分类器的方法，实验表明，提出的方法具有良好的分类性能。１自适应特征选择
１．１特征
本文采用二种不同类型特征空间中的特征：颜色特征和
ＬＢＰ纹理特征。这二种特征均可以进行快速计算。１．１．１颜色特征
我们采用文献［６］据出的颜色特征空间中的方法，颜色特
征空间：
Ｆｌ兰｛埘１Ｒ＋硼２Ｇ＋ｔｌ，３８１ｗｊ∈［一２，一１，０，＋Ｉ，＋２］｝（１）
式中埘。对应于一２到２之间的整数，这样的组合可以达到５３种，
但最终选择了其中的４９种特征作为我们的颜色特征旧１。
１．１．２ＬＢＰ纹理特征
ＬＢＰ（１＿ｘ，ｃａｌｂｉｎａｒｙｐａＲｅｒｎ）＂１作为纹理算子可以很好地用来
分析图像纹理特征。假定给定图像函数ｌ（ｘ，Ｙ），为了刻画图像
像素点在某邻域内的灰度变化，考虑像素点的ｍｘｍ邻域，ＬＢＰ
纹理算子计算公式如下：
２ｍ一１ＬＢＰ（ｘ。，儿）＝∑ｓ（，Ｐ一，ｃ）２’
其中Ｉｃ、Ｌ分别为中心（‰，Ｙ。）处及邻域内各像素点的灰度值，ｓ（茁）为一个二值函数，定义如下：
收稿日期：２００８—０８—２３。潘崇，硕士，主研领域：图形图像，嵌入式
系统。
万方数据第１期潘崇等：基于自适应特征选择和ＳＶＭ的图像分类的研究２４５
一…城ｓ（ｘ）＝…｛１０ｘ，＞…０ｘ＜０３
３ＬＢＰ财一如三１妫蝴朋’８１月９嚣■≥。㈤对于一个×邻域，纹理算子模板及计算过程如图刍吒＾一”％’”…７
所示，具体的ＬＢＰ算法详见文献［７］。下，求解函数（６）的最大值。
圈田
ｕＰ篁子的３ｘ３邻域Ｕ｝Ｐ－（１１１１０００１）２；Ｉ＋１６４－３２＋６４＋１２８＝２４１
图ＩＬＢＰ算子的３×３邻域及计算过程
１．２特征选择
已知有ｆ个训练样本｛茁。，Ｙ。ｆ，…，ｆ≈，Ｙｔ｝，其中Ｙ，＝｛ｏ，Ｉ｝
为类别标识；同时在训练样本中共有ｍ个假样本，凡个真样本；
然后利用Ａｄａｂｏｏｓｔ方法对样本进行训练，选择特征，具体算法如
下：
给定（茁。，Ｙ．），（算：，Ｙ２），…，（算，，Ｙ。），Ｙ。＝０，１表示样本为反
例样本和正例样本。（鼍，Ｙ。）表示第ｉ个图像样本，１≤ｉ≤ｚ，ｚ为样本的个数。
・初始化彬¨２寺，壶分别对应，，ｒ＝ｏ，１，其中Ｗｌ，ｉ表示第
１次第ｉ个样本对应的权值；
・Ｆｏｒｔ＝ｌＴｏｒ（１）对每一特征，用吼训练吩，具有岛＝雕‘［～（算。）≠
Ｙ。］，Ｗ。表示第ｔ次样本对应的权值。１≤ｊ≤ｎ，ｒｔ为备选特征总
数。其中＾，表示特征．，的弱分类假设，Ｉ｜ｌｉ可表示为：
吣）＝砝嚣ｋ鹏
其中Ｚ（并）为特征值，ｑ为阈值，ｎ为不等式方向符号因子。
（２）选择矗。（‘）＝ｈ＾（‘），对于Ｖｊ＃ｋ，吼＜ｑ，且占，＝占‘。
（３）更新毗“ｉ＝Ｗｔ，∥”‘，其中Ｅ＝ｏ，Ｉ表示对样本错分或正确划分，且＝÷。
・最后的分类函数结果为：
Ｊｌ（茗）＝∑ａ，ｈ。（茗）≥÷∑口ｆ
其中ｑ＝ｌｏｇ÷，这样我们得到了ｒ个特征。
２支持向量机
ＳＶＭ是从线性可分情况下的最优分类面发展而来的，对于
非线性的问题，其首先通过核函数将样本数据映射到高维特征
空间中，在高维特征空问构造最优分类面。设输入的模式集合
㈠｝ＥＲ４由两类点组成，如果Ｘｉ属于第一类，则Ｙ。＝ｌ；如果茗。属于第二类，则Ｙｉ＝一１，则训练样本集为ｈ，Ｙ。｝；ｉ＝１，２，…，ｎ，并
∈舻，Ｙ∈ｌ＋１，一ｌ｝，满足：
Ｙ。［（埘Ｘ毛）＋ｂ］一１≥０ｉ＝１，２，…，Ⅳ（３）
当样本不是线性可分时，可以通过引人正的松弛因子￡允许错分样本的存在。这时公式（３）变为：
Ｙｆ［（ＷＸ茗‘）＋６］一１＋ｆ．≥０ｉ＝ｌ，２，…，＾ｒ（４）满足式（３）且使分类间隔２／Ｈ彬ＪＪ最大的分类面就叫最优分类面，利用Ｌａｇｒａｎｇｅ优化方法可以将上述最优分类面问题转Ｑ（ｎ）＝∑口；一１／２∑ｎ。哆），；”（≈×芍）（６）ｉ＃ＩｌＪ２１得到最优分类函数：
以石）ｔ＝ｓｉｇｎ（∑ｏｒ，’ｙ。＿ｊ｝（¨．）＋ｂ‘）（７）ｌ＝ｌ其中：ｓｉｇｎ（）为符号函数，其取值决定石的类属；．｜｝（ｘ，算。）为核函
数，通过非线性变换中：∥一Ｆ将样本数据映射到高维李间中，然后在高维窄间寻找最优平面。常用的核函数有：多项式核函数Ｋ（并，），）＝（掣＋１）４、高斯核函数ｅｘｐ（一１／（２０．２）忪一ｙ０２）。
３基于ＳＶＭ的图像分类
利用ＳＶＭ解决多类分类问题，目前丰要有两种途径：（１）把多个２一类ＳＶＭ分类器进行组合，研究的内容包括对组合方式
的改进以及对每个２，类ＳＶＭ分类器的改进；（２）利用文献［９］
提出的将２一类ＳＶＭ从优化公式直接进行推广。目前主要有以下二种多类ＳＶＭ分类方法：
（１）一对一
构造所有可能的２．类ＳＶＭ分类器，每个分类器的训练数据
集都只取相应的两类。这时共需要构造Ｎ＝ｋ（％一１）／２个２－类
ＳＶＭ分类器。在构造第ｉ类与第』类之间的２．类ＳＶＭ分类器时，训练集中的数据只来自相应的两类，并将第ｉ类与第．『类内
的点分别标记为＋１和一１。测试时，将测试数据分别代入上述
的Ｎ＝ｋ（ｋ一１）／２个２．类ＳＶＭ分类器进行测试，累计各类别的得分，选择得分最高所对应的类别为测试数据的所属类别。
（２）一对多对于居．类问题，构造矗个２．类ＳＶＭ分类器，每个类对应其
中的一个，将它与其它的类分开；其中第ｉ个２－类ＳＶＭ分类器是把第ｉ类中的样本都标记为＋ｌ，而其它所有的样本都标记为
一１。也就是说，第ｉ个２－类ＳＶＭ分类器所构造的分类超平面，
把第ｉ类与其它的（ｉ一１）类分割开。测试时，对测试数据分别计算对应于各个２．类分类器的决策函数值并选择最大的函数
值所对应的类别作为测试数据的所属类别。本文采用一对多的方法构造分类器，这样可以减少分类器
的个数，提高分类速度。本文实现多类目标分类，设库中所有图
像共有Ⅳ类，记为Ｔ＝｛Ａ。，Ａ：，…，Ａ。｝。对，ｖ类图像构造Ⅳ个
２一类ＳＶＭ分类器，记为：Ｍ＝｛Ｍ，Ｍ，…，Ⅳ。｝，第ｉ个２一类ＳＶＭ分类器用第ｉ类中的样本作为正的训练样本，而将其他的样本
作为负的训练样本。对给定的一个语义类Ａ，∈Ｔ，构造其ＳＶＭ
分类器，则其分类问题中ｉ］ＪＩ练集可表示为Ｖ＝｛（石，，Ｙ，），（戈：，Ｙ２），…，（‰，扎）｝。其中：矗表示支持向量机中的训练样本的数
目。若Ｙ‘＝１，则表示Ｘｉ属于语义类Ａ。；若Ｙ。＝一１，则表示ｔ不
输出
基于Ｓ，个支持向量的线性变换
底层特征向量
图２ＳＶＭ分类模型图螽
惫
万方数据
基于LSI和SVM的文本分类研究
第３３卷
ＶｏＬ３３ 第１５期
Ｎｏ ｌＳ 计算机工程
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２００７年８月
Ａｕｇｕｓｔ ２００７
・人工智能及识别技术・ 文章■号ｔ １００ｏ一３４２８（２００７）１５＿一ｏ２１７— ３ 文献标识码ｔ Ａ 中啊分类号ｔＴＰ３９１
基于ＬＳＩ和ＳＶＭ的文本分类研究
刘美茹
（哈尔滨铁道职业技术学院计算机教研室，哈尔滨１５００８６）
摘要：文本分类技术是文本数据挖掘的基础和核心，是基于自然语言处理技术和机器学习算法的一个具体应用。特征选择和分类算法是
文本分类中两个最关键的技术，该文提出了利用潜在语义索引进行特征提取和降维，并结合支持向量机（ｓＶＭ）算法进行多类分类，实验结
果显示与向量空间模型（ＶｓＭ）结合ＳＶＭ方法和ＬＳＩ结合Ｋ近邻（ ）方法相比，取得了更好的效果，在文本类别数较少、类别划分比较
清晰的情况下可以达到实用效果。
关健诃：特征提取；潜在语义索引；支持向量机
Ｒｅｓｅａｒｃｈ ｏｎ Ｔｅｘｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＬＳＩ ａｎｄ ＳＶＭ
ＬＩＵ Ｍｅｉ－ｒｕ
（Ｓｔａｆｆ Ｒｏｏｍ ｏｆ Ｃｏｍｐｕｔｅｒ，Ｈａｒｂｉｎ Ｒａｉｌｗａｙ Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｈａｒｂｉｎ １５００８６）
［Ａｂｓｔｒａｃｔ］Ｔｅｘｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｓ ｔｈｅ ｆｏｕｎｄａｔｉｏｎ ａｎｄ ｃｒｕｃｉａｌ ｐｒｏｂｌｅｍ ｏｆ ｔｅｘｔ ｄａｔａ ｍｉｎｉｎｇ，ｉｔ ｉｓ ａｎ ａｐｐｌｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｎａｔｕｒａｌ
ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ．Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｃａｔｅｇｏｒｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｒｅ ｔｈｅ ｍｏｓｔ ｃｒｕｃｉａｌ ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ ｔｈｉｓ ｐｒｏｂｌｅｍ．Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ｔｈａｔ ｌａｔｅｎｔ ｓｅｍａｎｔｉｃ ｉｎｄｅｘｉｎｇ（ＬＳＩ）ｉｓ ｕｓｅｄ ｆｏｒ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｄｉｍｅｎｓｉｏｎａｉｉｔｙ ｒｅｄｕｃｔｉｏｎ，ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）ｉｓ ｕｓｅｄ
图像识别算法在农作物病虫害诊断中的应用研究
图像识别算法在农作物病虫害诊断中的应用研究
摘要：
农作物病虫害对农业生产造成了严重的损失，及时准确地诊断农作物的病虫害是保障农业生产的关键。图像识别算法作为一种快速、非侵入性的诊断方法，近年来在农作物病虫害诊断中得到了广泛的应用。本文通过对图像识别算法在农作物病虫害诊断中的应用进行研究，总结了目前常用的算法和技术，并探讨了其在农业领域中的应用前景，旨在为农作物病虫害的快速、准确诊断提供一种有效的方法。
1. 引言
农作物病虫害是影响农作物产量和质量的重要因素。传统的病虫害诊断方法往往需要依靠人工观察和经验判断，存在诊断时间长、准确率低等问题。而随着图像识别技术的快速发展，利用图像识别算法实现农作物病虫害的自动化识别和诊断成为了可能。
2. 图像识别算法在农作物病虫害诊断中的应用 2.1 基于传统机器学习算法的图像识别
传统的机器学习算法如支持向量机（SVM）和随机森林（Random Forest）等被广泛应用于农作物病虫害的图像识别。通过提取图像特征，并将其作为输入数据，利用训练集对算法进行训练，最后得出诊断结果。这些方法具有较高的准确率，但需要大量的人工参与，且对图像质量和特征选择有一定的要求。
2.2 基于深度学习算法的图像识别
近年来，基于深度学习算法的图像识别在农作物病虫害诊断中得到了广泛应用。深度学习模型如卷积神经网络（CNN）通过多层次的神经网络结构，能够自动从图像中学习特征，有效地提高了识别的精度。此外，深度学习算法还具有较强的自适应能力，能够处理各种复杂的场景和图像噪声。
3. 图像识别算法的优势与挑战
3.1 优势
图像识别算法具有快速、非侵入性、准确等优势，能够实现对大量样本进行高效率的诊断，节约了人力和时间成本。同时，图像识别算法对农作物病虫害的早期诊断起到了重要的作用，有助于及时采取相应的防控措施。
3.2 挑战
图像识别算法在农作物病虫害诊断中仍面临一些挑战。首先，农作物病虫害的多样性导致图像数据的复杂性，如何有效地提取和匹配特征仍是一个难题。此外，图像质量和环境条件的影响也会对诊断结果造成一定的干扰，需要进一步的技术研究和优化。
基于纹理和边缘的SAR图像SVM分类
第２８卷第９期 ２０１１年９月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏｌ｜２８ Ｎｏ．９ Ｓｅｐ．２０１１
基于纹理和边缘的ＳＡＲ图像ＳＶＭ分类
龙海翔 ，高鑫
（１．中国科学院电子学研究所航空微波遥感系统部，北京１００１９０；２．中国科学院研究生院，北京１０００３９）
摘要：为实现ＳＡＲ图像地物目标的有效分类，深入研究了基于灰度共生矩阵ＧＬＣＭ的四种纹理特征以及两
个边缘特征。分析每个单独纹理或边缘特征在对ＳＡＲ图像进行支持向量机ＳＶＭ分类中对不同地物的分辨能
力，选取不同的特征组合进行组合特征的ＳＶＭ分类实验。对各种特征进行主成分分析ＰＣＡ，并考察使用和不使
用ＰＣＡ两种情况下分类结果之间的差异。实验结果证明能量、边缘长度、对比度和相关度的特征组合在ＰＣＡ作
用下能够改善各类地物的分类精度，将总分类精度提高到９０％以上。
关键词：合成孔径雷达图像分类；纹理特征提取；边缘特征提取；灰度共生矩阵；支持向量机；主成分分析
中图分类号：懈９１ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１１）０９—３５５１—０３
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１１．０９．０９９
ＳＶＭ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ＳＡＲ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｔｅｘｔｕｒｅ ａｎｄ ｉｎｔｅｒｎａｌ ｅｄｇｅ
ＬＯＮＧ Ｈａｉ—ｘｉａｎｇ ，ＧＡＯ Ｘｉｎ （１．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １００１９０，Ｃｈｉｎａ；２．Ｇｒａｄｕａｔｅ Ｓｃｈｏｏｌ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １０００３９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｏｒ ｅｆｆｉｃｉｅｎｔ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｓ，ｔｈｉｓ ｐａｐｅｒ ｓｔｕｄｉｅｄ ４ ｔｅｘｔｕｒａｌ ｆｅａｔｕｒｅｓ ｂａｓｅｄ ｏｎ ＧＬＣＭ ａｎｄ ２ ｅｄｇｅ ｆｅａｔｕｒｅｓ．Ｆｉｒｓｔ，ｉｔ ａｎａｌｙｚｅｄ ｅｖｅｒｙ ｉｎｄｉｖｉｄｕａｌ ｆｅａｔｕｒｅ ｆｏｒ ｔｈｅｉｒ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ａｂｉｌｉｔｙ ｆｏｒ ＳＶＭ ＳＡＲ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎｔｏ ｖａｒｉｏｕｓ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ．Ａｎｄ ｔｈｅｎ，ｃｈｏｓｅ ｓｅｖｅｒａｌ ｆｅａｔｕｒｅ ｓｅｔｓ ｆｏｒ ＳＶＭ ＳＡＲ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ａｎｄ ｆｕｓｅｄ ｔｈｅｓｅ ｆｅａｔｕｒｅｓ ｕｓｉｎｇ ＰＣＡ．Ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ＰＣＡ—ａｎｄ ｎｏｎ—ＰＣＡ ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎｓ ｗａｓ ａｌｓｏ ａｎａｌｙｚｅｄ．Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈｅ ｆｅａｔｕｒｅ ｓｅｔ ｃｏｍ． ｐｒｉｓｉｎｇ ｅｎｅｒｇｙ，ｅｄｇｅ ｌｅｎｇｔｈ，ｃｏｎｔｒａｓｔ ａｎｄ ｃｏｒｒｅｌａｔｉｏｎ ｐｒｏｖｉｄｅｓ ｇｏｏｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｅｖｅｒｙ ｃｏｖｅｒ ｔｙｐｅ，ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｔｏｔａｌ ａｃｃｕｒａｃｙ ｕｐ ｔｏ ９０％． Ｋｅｙ ｗｏｒｄｓ：ＳＡＲ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｅｄｇｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｇｒａｙ ｌｅｖｅｌ ＣＯ—ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ （ＧＬＣＭ）；ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）；ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ）
基于人工智能的图像识别与分类算法研究
基于人工智能的图像识别与分类算法研究
随着科技的不断进步，人工智能在各个领域中扮演着越来越重要的角色。其中，图像识别和分类技术是人工智能应用的重要领域之一。基于人工智能的图像识别和分类算法已经在日常生活中得到了广泛的应用，比如人脸识别、车辆识别、智能家居等。本文主要就基于人工智能的图像识别和分类算法进行探讨。
一、人工智能图像识别的基本原理
人工智能的图像识别和分类技术是指利用计算机算法对数字图像进行解析、理解、识别和分类的技术。在计算机视觉领域中，图像通常是以像素矩阵的形式存储的。通常情况下，人类可以通过直观感知的方式识别和分类图像。但是，计算机并不能像人类那样对图像进行直观感知，需要通过计算机算法对图像进行处理和解析，以提高其对图像的理解和识别能力。
图像识别和分类算法是基于机器学习和人工智能技术的。当计算机处理一幅图像的时候，通常需要进行特征提取、特征选择、特征降维等一系列过程，以便对图像进行分类。在机器学习领域中，通常使用监督学习、无监督学习和强化学习等算法对图像进行分类和识别。
二、基于人工智能的图像识别与分类算法的研究 基于人工智能的图像识别和分类技术一直备受研究者关注。下面将对当前主流的图像识别和分类算法进行简单介绍：
1.卷积神经网络（CNN）
卷积神经网络是近年来最热门的图像识别和分类算法之一。它通过多层卷积和池化操作，逐层提取图像中的特征，并将不同层的特征进行组合和学习，以对图像进行分类。CNN算法具有高度的识别和分类准确性，已经在许多领域中得到了广泛的应用。
2.循环神经网络（RNN）
循环神经网络是一种能够处理序列数据的神经网络模型。在图像识别和分类领域中，RNN通常被用来对文本和语音进行识别和分类。RNN具有一定的时序性，可以对序列数据进行识别和分类，但是它的识别和分类准确性不如CNN算法。
3.支持向量机（SVM）
支持向量机算法是一种非神经网络的机器学习算法，可以对图像进行分类。SVM算法通过学习训练数据中的支持向量，对测试数据进行分类。SVM算法具有一定的识别和分类准确性，但是对于大规模的图像数据集，SVM算法的计算开销较大。
基于Cameron分解和SVM的极化SAR图像分类
基于Ｃａｍｅｒｏｎ分解和ＳＶＭ的极化ＳＡＲ图像分类
汪洋 ．－，鲁加国 ，张长耀
（１．安徽大学计算智能与信号处理教育部重点实验室，合肥２３００３９；
２．中国电子科技集团第３８研究所，合肥２３００３１）
Ｅ—ｍａｉｌ：ｗａｔｅｒ３６１３６０＠１２６．ｔｏｍ
摘要：Ｃａｍｅｒｏｎ分解先将极化散射矩阵分解为互易分量和非互易分量，再将互易分量进一步分解为对称分量和非对称
分量，这是极化合成孔径雷达图像特征提取的有效途径。由四个分量的范数组成样本向量，运用基于统计学习理论的支
持向量机设计分类器．提出了一种极化ＳＡＲ图像分类算法，并对实测极化ＳＡＲ数据进行分类实验。结果表明，将
Ｃａｍｅｒｏｎ分解与ＳＶＭ结合起来应用于极化ＳＡＲ图像分类的算法是可行和有效的．通过选择不同的参数对分类结果影响
很大，验证了参数选择在ＳＶＭ分类器中的重要作用。
关键词：极化合成孔径雷达；Ｃａｍｅｒｏｎ分解；支持向量机；核函数；参数选择
文章编号：１００２—８３３１（２００６）３６—００１７—０３ 文献标识码：Ａ 中图分类号：ＴＮ９５７
Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ Ｉｍａｇｅ Ｂａｓｅｄ ｏｎ
Ｃａｍｅｒｏｎ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ＳＶＭ
ＷＡＮＧ Ｙａｎｇ ＿－．ＬＵ Ｊｉａ－ｇｕｏｚ，ＺＨＡＮＧ Ｃｈａｎｇ－ｙａｏ
（１．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔｉｎｇ＆Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ，
Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｉｆｅｉ ２３００３９，Ｃｈｉｎａ；
２．３８ｔｈ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ，Ｃｈｉｎａ Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｒｐｏｒａｔｉｏｎ，Ｈｅｆｅｉ ２３００３ １，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｉｒｓｔ，Ｃａｍｅｒｏｎ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｄｅｃｏｍｐｏｓｅｓ Ｓｉｎｃｌａｉｒ ｍａｔｒｉｘ ｉｎｔｏ ｒｅｃｉｐｒｏｃｉｔｙ ｃｏｍｐｏｎｅｎｔ ａｎｄ ｎｏｎ－ｒｅｃｉｐｒｏｃｉｔｙ ｃｏｍ—
svc分类
svc分类
SVC是支持向量机分类器的缩写，SVM分类器是一种二元判别分类器，用于将一个高维空间中的点分成两个类别。在SVM分类中，我们寻找一个超平面，该超平面在分类中分割两个类别，并使分类器的误差最小化。支持向量是指最靠近这个分类边界的点，SVC分类器依靠支持向量来实现分类。SVC分类又称为非线性SVM分类器，能够处理非线性分类问题。下面我们来详细介绍一下SVC分类。
SVC分类的原理
SVC分类是一种非线性分类器，它通过构建一个非线性的决策边界，将不同类别的数据分开。在SVC分类器中，我们通常采用核函数（Kernel）来构造非线性特征，即通过将低维特征映射到高维特征空间中，在高维特征空间中使用线性超平面来进行分类。SVC分类器的训练过程可以用以下步骤概括：
1. 特征选择：选取合适的特征集合。
2. 样本选择：选择一部分样本作为训练集，构建SVC分类器。
3. 参数选择：选择合适的核函数、惩罚因子等参数。
4. 模型训练：使用训练集训练模型。
5. 模型评估：使用测试集对模型进行评估。
1. 非线性分类能力强。
2. 支持向量较少，模型复杂度低。
3. 泛化能力强，适用于各种数据类型。
4. 可以处理高维数据，具有较高的分类精度。
1. 训练速度较慢，对数据量和特征维度都很敏感。
2. 参数调节较复杂，需要进行交叉验证等操作。
3. 对缺失值和噪声敏感，需要有对数据预处理及清洗操作。
SVC分类器广泛应用于数据挖掘、机器学习、模式识别等领域。
1. 数据挖掘：在数据挖掘中，SVM常用于特征选择、分类、回归、聚类等任务。例如，在文本分类中，SVM可以用于根据特定主题分类文本；在图像分类中，SVM可以用于自动分类图像。 2. 机器学习：在机器学习中，SVM可以用于训练分类器，分类器可用于数据分类、预测、回归等任务。
高光谱遥感图像分类与识别方法研究
高光谱遥感图像分类与识别方法研究
高光谱遥感图像分类与识别是一项重要的研究领域，它在许多应用领域中发挥着重要作用，例如农业、环境监测和目标探测等。高光谱遥感图像具有丰富的光谱信息，能够提供大量的数据，因此需要有效的分类与识别方法来处理这些数据。
本文将介绍高光谱遥感图像分类与识别的一些常用方法及其研究进展。
1. 特征提取方法
在高光谱遥感图像分类与识别中，特征提取是关键的一步。常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)和小波变换等。PCA是一种基于统计学的方法，用于减少数据维度和提取主要特征。LDA则是一种基于线性代数的方法，可以提取类别间的差异性。小波变换能够提取图像的局部特征。
2. 分类算法
对于高光谱遥感图像分类与识别，常用的分类算法包括支持向量机(SVM)、最近邻算法(KNN)和人工神经网络(ANN)等。SVM是一种二分类的算法，可以将其扩展到多类别分类问题。KNN是一种基于实例的算法，基于样本间的距离进行分类。ANN是一种模仿生物神经网络的分类算法，能够处理非线性分类问题。
3. 特征选择方法
由于高光谱遥感图像具有大量的光谱信息，需要选择合适的特征进行分类。特征选择方法的目标是从原始特征中选择出最相关的特征子集。常用的特征选择方法包括相关系数法、互信息法和基于遗传算法的特征选择等。相关系数法可以衡量特征与分类目标之间的相关性。互信息法则是通过信息熵来度量特征与分类目标之间的相关性。
4. 集成学习方法
为了提高高光谱遥感图像分类与识别的准确性，可以采用集成学习方法。集成学习是通过结合多个分类器来进行分类的方法。常用的集成学习方法包括随机森林、AdaBoost和bagging等。随机森林是一种基于决策树的集成学习方法，具有较高的分类准确性和鲁棒性。AdaBoost则通过加权投票的方式进行分类，能够适应不同的数据分布。
5. 深度学习方法
近年来，深度学习方法在高光谱遥感图像分类与识别中取得了重要的突破。深度学习通过多层次的神经网络结构进行特征学习和分类。常用的深度学习模型包括卷积神经网络(CNN)和循环神经网络(RNN)等。CNN能够提取图像的空间特征，适用于高光谱遥感图像的分类与识别。RNN则适用于序列数据的分类问题。
基于SVM的图像分类研究
７４ 计算机与数字工程 第３４卷
基于ＳＶＭ的图像分类研究
王陈飞 ’肖诗斌 ’
（北京机械工业学院 北京１０００８５）（北京信息工程学院 北京１００１０１）
摘要图像分类技术有着重要的应用前景，而且对于基于内容的图像检索的发展会有积极的推动作用。多类图像
分类是图像分类中的难点，对基于ＳＶＭ的多类图像分类方法进行了研究，提出在二类支持向量机的基础上构造多类分类器
的方法，实验结果证明和传统方法相比，分类准确率有了较大的提高。
关键词 图像分类基于内容的图像检索支持向量机
中图分类号ＴＰ３９１
Ｓｔｕｄｙ ｏｆＩｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＳＶＭ
Ｗａｎｇ Ｃｈｅｎｆｅｉ ）Ｘｉａｏ Ｓｈｉｂｉｎ２）
（Ｂｅｉｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｍｅｃｈａｎｉｃａｌ ｈｄｍｔｒｙ”，Ｂｅｉｊｉｎｇ’１０００８５）（Ｂｅｉｊｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｓｔｉｔｕｔｅ２），￣ｊｉｒ￣１００１０１）
Ａｂｓｔｒａｃｔ Ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｈａｓ ｇｏｏｄ ａｐｐｌｉｃａｔｉｏｎ ｆｏｒｅｇｒｏｕｎｄ，ｉｔ ｗｉｌｌ ｂｒｉｎｇ ｐｏｓｉｔｉｖｅ ｅｆｆｅｃｔ ｏｎ ｃｏｎｔｅｎｔ—ｂａｓｅｄ ｉＩＩ１ａｇｅ ｒｅ—
ｔｒｉｅｖａ１．Ｍｕｌｔｉ—ｃｌａｓｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｓ ｔｈｅ衄ｃｕｈｙ ｉｎ ｉｍａｇｅ￣ｌａｓｓｉ￣ｃａｔｉｏｎ．Ｔｈｉｓ ｔ￣ｐｅｒ ｒｅｓｅａｒｃｈｅｓ ｔｈｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａ－
ｃｈｉｎｅ，ｐｒｏｐｏｓｅｓ ｕｓｉｎｇ ｍｕｌｔｉ—ｃｌａｓｓ ＳⅥ （Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ）ｔｏ ｂｅ ｔｈｅ ｃｌａｓｓｉｆｉｅｒ．Ｏｕｒ ｍｕｌｔｉ—ｃｌａｓｓ ＳＶＭｓ ｃｏｎｓｉｓｔｓ ｏｆ ａ ｎｕｍｂｅｒ ０ｆ １
基于LLE和LS_SVM的胃粘膜肿瘤细胞图像分类
第２８卷第３期 ２０１１年６月 华东交通大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｅａｓｔ Ｃｈｉｎａ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ 、，０Ｉ．２８ Ｎｏ．３ Ｊｕｎ．，２０１１
文章编号：１００５．０５２３（２０１１）０３．００８３．０５
基于ＬＬＥ和ＬＳ
—ＳＶＭ的胃粘膜肿瘤细胞图像分类
甘岚，吕文雅
（华东交通大学信息工程学院，江西南昌３３００１３）
摘要：胃粘膜肿瘤细胞图像的复杂性，组织器官形状的不规则性以及不同细胞的差异性，使得采用一般的线性分类方法对其 进行分类很困难，结合局部线性嵌Ａ．（ＬＬＥ）在处理非线性数据及最小二乘支持向量机（ＬＳ ｓｖＭ）在处理小样本、高维数及泛 化问题方面的优势，文章提出一种基于ＬＬＥ＋ＬＳ ＳＶＭ的胃粘膜肿瘤细胞图像分类方法，并采用Ｌｓ ＳＶＭ的线性拟合误差来 判断实验效果，最后比较本文方法与其他分类方法的优越性。实验结果表明，该方法在分类准确率和运行时间方面都有很 大的优势。 关键字：ＬＬＥ；ＬＳ ＳＶＭ：肿瘤细胞分类 中图分类号：ＴＰ１８１ 文献标识码：Ａ
由于胃粘膜肿瘤细胞图像的复杂性，组织器官形状的不规则性以及不同种类细胞的差异性，细胞的结
构、形状、稀疏程度、排列形状等，都会有很大的差异。在对图像的分类过程中，会遇到各种各样的细胞图
像，从这些繁复杂乱的细胞图像中提取细胞特征，并进行有效的分类是很困难的。目前，很多基于机器学
习的分类方法应用到图像识别领域，但一般的线性分类方法应用于高维的胃粘膜肿瘤细胞图像时，存在严
重的泛化问题” 。因此，找出一种适合于胃粘膜肿瘤细胞图像且将特征提取和分类融合在一起的非线方法
是很有必要的。
局部线性嵌入（ＬＬＥ）是ＳａｍＴ在Ｓｃｉｅｎｃｅｔ 杂志上提出的一种非线性非监督的流形学习算法，起初主要
是应用于人脸识别和文件中的文本识别领域。ＬＬＥ具有时间复杂度低、参数少等优点，对于结构复杂、非
高斯分布、含有较多冗余信息的胃粘膜肿瘤细胞图像来说，ＬＬＥ的非线性以及低维嵌入特性非常有利于胃
基于目标分解和SVM的极化SAR图像分类方法
５０ 航天返回与遥感 第３４卷第２期
ＳＰＡＣＥＣＲＡＦＴ ＲＥＣ０ＶＥＩ Ｙ＆ＲＥＭ０ＴＥ ＳＥＮＳＩＮＧ ２０１３年４月
基于目标分解和ＳＶＭ的极化ＳＡＲ图像分类方法
赵一博秦先祥邹焕新 （国防科技大学电子科学与工程学院，长沙４１００７３）
摘要极化ＳＡＲ图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目
标分解及支持矢量机（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）￣／极化ＳＡＲ图像分类方法。首先根据Ｃｌｏｕｄｅ分解和
Ｆｒｅｅｍａｎ分解两种方法提取极化ＳＡＲ图像的多类散射特征，从而构造出图像各像素的特征向量。接着利
用样本区域像素的特征向量对ＳＶＭ进行训练，获得经训练的ＳＶＭ。最后，以各待分类像素的特征向量
为输入，利用经训练的ＳＶＭ即可完成极化ＳＡＲ图像的分类。对两幅ＡＩＲＳＡＲ实测极化ＳＡＲ图像数据
分类的结果表明，文章方法能够有效地利用多类散射特征的互补信息，具有较高的分类精度。
关键词 极化ＳＡＲ分类 Ｃｌｏｕｄｅ分解Ｆｒｅｅｍａｎ分解 支持矢量机航天遥感
中图分类号：ＴＰ７５１．１ 文献标志码：Ａ 文章编号：ｌ００９．８５１８（２０１３）０２—００５０—０７
Ｄ０Ｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００９．８５１８．２０１３．０２．００８
Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ Ｉｍａｇｅ Ｂａｓｅｄ ｏｎ Ｔａｒｇｅｔ
Ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ＳＶＭ
ＺＨＡＯ Ｙｉｂｏ ＱＩＮ Ｘｉａｎｘｉａｎｇ ＺＯＵ Ｈｕａｎｘｉｎ
（Ｓｃｈｏｏｌ ｏｆＥｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＤｅｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｐｏｌａｒｉｍｅｔｒｉｃ ｓｙｎｔｈｅｔｉｃ ａＤｅｒｔｕｒｅ ｒａｄａｒ（ＰｏｌＳＡＲ）ｉｍａｇｅ ｉｓ ａ ｆｒｏｎｔｉｅｒ ｒｅｓｅａｒｃｈ