基于决策树SVM分类器的感兴趣区域定位方法

合集下载

基于SVM的图像识别与分类算法研究

基于SVM的图像识别与分类算法研究一、前言随着计算机技术的不断发展，图像识别与分类技术也在不断提高。

其中，基于支持向量机（SVM）的图像识别与分类算法以其高效性、可靠性和准确性等优势成为研究热点。

本文旨在探讨基于SVM的图像识别与分类算法及其应用。

二、SVM原理SVM是一种监督学习算法，其核心是构建一个最优的超平面，将样本点分为两类，并使得两类样本点间的距离最大。

SVM分为线性可分和线性不可分两种情况。

1. 线性可分SVM线性可分SVM是在特征空间中找到一个超平面，使得能够将不同类别的样本点完全分开，这个超平面叫做分隔超平面。

对于一个样本点$x_i=(x_{i1},x_{i2},...,x_{in})^T$，其对应的类别标志为$y_i \in (-1,1)$。

超平面的表达式为：$$w^T x+b=0$$其中，w是法向量，b是位移。

对于任意的$X$在分隔面上任一点$(x,w^T x+b)=0$，分类标准为：$$f(x)=sign(w^T x+b)$$其中，函数$sign(x)$表示规定了符号规则的函数，即：$$sign(x)=\begin{cases}1 & (x\geq 0) \\ -1 & (x<0)\end{cases}$$显然超平面的位置是存在多种可能的。

SVM寻找最优的超平面的算法本质是一种凸二次规划问题，采用拉格朗日乘子法求解。

2. 线性不可分SVM在实际应用中，很多情况下用一个超平面将不同类别的样本点分割开来是不可能的，这时候就需要使用一些非线性算法将高维空间的数据转化为线性可分的问题，使得可以用SVM进行分类。

通常使用的方法是通过核函数将原始空间映射到一个高维特征空间来实现。

三、基于SVM的图像识别与分类算法步骤1. 数据预处理在进行图像识别与分类之前，需要将原始图像经过预处理。

主要包括以下两个方面：（1）图像归一化处理：将不同大小的图像重置为相同的大小，统一图片的亮度、对比度等。

基于SVM算法的视频物体识别

基于SVM算法的视频物体识别近年来，随着计算机技术和硬件设备的发展，视频监控系统得到越来越广泛的应用。

在人们日常生活中，视频监控系统可以用来保护公共安全、监控商业活动、进行环保和交通监控等。

然而，面对海量的视频数据，如何从中快速准确地提取出目标物体，以提供更高效的服务，是目前视频监控系统普遍面临的难题。

视频物体识别是视频监控系统中最重要的任务之一。

它的目的是从视频监控画面中提取出感兴趣的目标物体，并对其进行分类和跟踪。

目前，基于SVM算法的视频物体识别技术已经成为该领域的热点研究方向。

SVM（Support Vector Machine，支持向量机）算法是一种基于统计学习理论的分类算法。

它通过将数据映射到高维空间中，将数据样本划分到不同的类别中。

SVM算法具有计算效率高、分类精度高、对高维数据和小样本数据都具有较强适应性等优点，因此被广泛应用于模式识别、图像处理和自然语言处理等领域。

SVM算法在视频物体识别中的应用，主要分为以下几个步骤：1. 特征提取：视频物体识别的第一步是从视频流中提取出感兴趣的图像帧。

在图像帧中，通常需要提取出一些特征向量，如颜色、形状等。

这些特征向量可以作为SVM算法的输入。

常用的特征提取算法有HOG算法、SIFT算法和LBP算法等。

2. 数据预处理：在构建SVM分类器前，还需要对数据进行预处理。

这包括数据标准化和数据降维。

标准化是将数据进行归一化处理，使得各特征向量之间具有相同的重要性。

降维是将高维数据压缩到低维数据中，从而减小数据量的同时，仍能保持数据的重要性。

3. SVM分类器构建：SVM分类器的构建通过对已标注的训练样本进行学习，得到一个最优分类超平面。

该超平面将样本空间划分成两个子区域，分别对应两个不同类别。

分类器的训练包括两个方面的问题，一是确定最优的超平面，二是确定分类边界。

这需要通过选择合适的核函数和正则化系数等参数来实现。

4. SVM分类器应用：SVM分类器应用于视频物体识别时，需要将每个视频帧输入分类器中进行分类。

基于 SVM 的图像分类算法

基于 SVM 的图像分类算法随着图像处理技术的快速发展，人类可以轻松地从海量数据中获取有用的信息。

而图像分类算法则是图像处理领域中最核心和实用的算法之一。

本文将介绍基于SVM的图像分类算法。

一、SVM分类器的原理SVM全称为“支持向量机”，是一种非常优秀的二分类器，其基本思想是找到将数据分为两类的最优超平面。

超平面是一个二维或三维空间的线性分类器，而SVM分类器则是在高维空间进行分类。

SVM分类器的基本思想是在低维空间中建立一个最优的超平面，然后将其映射到高维空间中，即将低维空间中的超平面转化为高维空间中的超平面。

二、图像分类的基本方法图像处理领域中，通过对图像特征进行提取，可以将图像分类问题转化为特征向量分类问题。

通常采用的方法是将每张图像表示为一个特征向量，然后将每个特征向量映射到高维空间中，并在那里使用SVM分类器将它们分为两类。

在图像中，特征通常含有两种类型：像素特征和语义特征。

像素特征是指直接从图像中提取的信息，如颜色直方图和方向直方图等。

而语义特征则是针对特定的任务所设计的特征，如纹理特征和形状特征等。

三、SVM图像分类算法的实现方式SVM分类器的实现过程可以分为以下四个步骤：1. 特征提取：通过对图像进行处理，提取出可以用来描述图像的特征向量，以供后续的分类器进行处理。

2. 特征选择：从提取出来的特征中，挑选出对图像分类有重要贡献的特征，以减少噪声和冗余。

3. 模型训练：将挑选出的特征向量以及对应的类别标签送入SVM分类器进行训练。

4. 模型测试：使用测试集进行模型测试，观察模型分类的准确率和性能指标。

四、SVM图像分类算法的应用范围SVM图像分类算法可以应用于很多领域，如医学图像识别、工业缺陷检测、人脸识别和物体识别等。

在医学领域，SVM分类器可以用来识别神经网络中的PD-Parkinson's Disease病变；在工业领域，SVM分类器可以用来快速准确地检测工件的缺陷；在物体识别领域，SVM分类器可以用来区分不同类型的动物或车辆。

基于svm的模式识别的算法概念

基于svm的模式识别的算法概念SVM（Support Vector Machine）是一种常用的机器学习算法，用于模式识别和分类任务。

它可以将数据集映射到高维空间，并在该空间中找到最优的超平面来分割不同类别的样本。

SVM算法的基本概念是找到一个最优的超平面，使得不同类别的样本点能够被最大化地分开。

超平面可以被表示为 wx + b = 0，其中w是法向量，b是偏置项。

超平面将空间分为两个部分，位于超平面两侧的样本点被分为不同的类别。

SVM算法的目标是找到最优的超平面，使得离该超平面最近的样本点的间隔最大化。

这些离超平面最近的样本点被称为支持向量，它们是决定超平面的关键因素。

SVM通过最大化间隔来提高模型的泛化能力，减少过拟合风险。

在实际应用中，SVM可以通过使用不同的核函数来处理非线性可分的问题。

常用的核函数有线性核、多项式核、高斯核等。

这些核函数可以将样本点映射到高维空间中，使得在该空间中可以找到一个线性可分的超平面。

SVM算法的训练过程包括以下步骤：1. 准备训练数据集，包括输入特征和对应的类别标签。

2. 根据选择的核函数，将数据映射到高维空间中。

3. 在高维空间中，找到一个最优的超平面，使得样本点的间隔最大化。

4. 根据超平面的位置，对新的样本点进行分类预测。

SVM算法的优点包括：1. 在高维空间中工作，可以处理非线性可分的问题。

2. 通过最大化间隔，提高了模型的泛化能力。

3. 可以通过选择不同的核函数适应不同的问题。

然而，SVM算法也有一些缺点：1. 计算复杂度较高，特别是在处理大规模数据集时。

2. 对于有噪声的数据集，可能会出现过拟合的情况。

3. 对于多类别分类问题，需要进行多个二分类器的训练。

总之，SVM算法是一种常用的模式识别算法，可以应用于多种分类问题。

通过找到最优的超平面，使得样本点的间隔最大化，SVM可以在高维空间中有效地分类数据。

数据分析知识：数据挖掘中的SVM分类器

数据分析知识：数据挖掘中的SVM分类器数据挖掘中SVM分类器SVM（Support Vector Machines）分类器是一种在数据挖掘中广泛应用的机器学习算法。

SVM最早是由Vapnik和Cortes在1995年提出的，SVM分类器在处理分类问题和回归问题中，具有良好的表现和精度。

1. SVM分类器的概述SVM分类器是一种基于特征空间中的最优超平面来完成分类的算法。

最优超平面是在特征空间中将不同类别的数据分开的超平面，具有良好的分类性能。

如图1所示，在二维空间中，最优超平面可以看作分开两个类别的直线，而在多维空间中，最优超平面可以看作分开多个类别的超平面。

图1 SVM分类器最优超平面2. SVM分类器的原理SVM分类器的原理是将样本映射到高维空间中，并在该空间内寻找最优超平面，从而实现数据分类。

在二维空间中，分类器可以找到一条直线来分开两个类别的数据，但是在高维空间中，不同的数据可能更加复杂，无法直接通过一条直线来分开。

因此，SVM分类器采用了核函数来将低维数据映射到高维空间，以便在高维空间中进行分类。

核函数是将低维空间中的数据映射到高维空间的函数，使得在高维空间中数据更容易分开。

常见的核函数有线性核函数、多项式核函数、径向基核函数等。

对于一个SVM分类器，其优化目标是找到一个最优超平面，使得该平面能够最大限度地将不同类别的数据分开，并且最小化分类错误率。

通常而言，SVM分类器采用硬间隔与软间隔的方法来找到最优超平面。

硬间隔指的是要求找到的超平面能够完全将训练数据分开，但是当训练数据过于复杂或者存在噪声时，该方法可能会出现过度拟合的情况。

软间隔则通过引入松弛变量来解决过度拟合问题，使得在一定程度上能够容忍一些分类错误。

3. SVM分类器的应用SVM分类器在数据挖掘中有广泛的应用。

例如，在图像识别中，SVM分类器可以识别特定的物体，比如人脸、汽车、动物等。

在文本分类中，SVM分类器可以对文本进行自动分类，实现新闻分类、垃圾邮件过滤、情感分析等功能。

SVM算法推导及其分类的算法实现

SVM算法推导及其分类的算法实现SVM（Support Vector Machine）是一种常用的监督学习算法，被广泛应用于二分类和多分类问题中。

它的基本原理是找到一个超平面，将不同类别的数据分开。

这篇文章将介绍SVM算法的推导及其分类的算法实现。

一、推导1.数据预处理：将数据进行标准化或归一化处理，使不同特征之间具有相同的重要性。

2.确定超平面：SVM算法的目标是找到一个超平面，能够将不同类别的数据完全分开。

超平面可以表示为w*x+b=0的形式，其中w是法向量，b是偏置项。

3.确定分类边界：SVM算法中存在两个平行的超平面，它们与训练数据中的支持向量间隔相等。

这两个平面被称为分类边界。

4.样本分类：根据数据点到超平面的位置，确定其所属类别。

点在超平面之下表示负类数据，点在超平面之上表示正类数据。

5.寻找最优超平面：SVM算法的目标是寻找一个最优超平面，使分类误差最小。

通常使用最大间隔法来确定最优超平面。

6.引入松弛变量：考虑到有时数据无法完全线性分开，SVM算法允许一定程度上的分类错误。

通过引入松弛变量，可以允许部分数据点落在错误的一侧。

7.目标函数确定：根据以上步骤，可以得到SVM的目标函数，即在最大间隔的同时，使得分类误差最小。

8.优化求解：使用优化算法来求解目标函数，例如使用拉格朗日对偶问题等方法。

二、算法实现下面是SVM算法的基本实现步骤：1.数据预处理：将原始数据进行标准化或者归一化处理，使得不同特征之间的取值范围一致。

2.确定超平面：假设训练数据是线性可分的，通过训练数据找到一个超平面，将不同类别的数据完全分开。

3.最大间隔法：选择两个平行的超平面，使其与训练数据中的支持向量间隔最大。

4.构建目标函数：根据最大间隔法，构建目标函数，同时引入松弛变量。

5.目标函数求解：使用优化算法，求解目标函数，例如使用拉格朗日对偶问题等方法。

6.分类边界：根据超平面和支持向量，确定分类边界。

7.样本分类：根据数据点到超平面的位置，确定其所属类别。

直扩系统中基于SVM的干扰自动分类识别方法

ｍａｅｈｎ，ｔｅｆａｕｅｆｉｔｒｅｅｃｓｆｏｔｏｉｆｅｕｎｙｄｍａｎａｄｔ — ｅｕｎｙｄｍａｎａｅｅｔａｔｄｄ；Ｔｅｈｅｔｒｓｏｎｅｒｎｅｒｍｉｄｍａｎ，ｒｑｅｃｏｉｎｉｆｑｅｃｏｉｒｘｒｃｅ；Ａｄｆａｌｆｍｅｍｅｒｎｎｌｉｙ，
ｒｃｓｑｅｃｐｅｄｓｅｔｍ（ＳＳｏｍｎｃｔｎｓｓｍｂｃｕｅｏｅｕｋｏｎｉｅｅｅｃｐｓａｌｏｔｍｔａｔａｉｌｅｔｅｕｎｅｓｒｐｃｕＤＳ）ｃｍｕｉｉｙｔｅａｓｆｈｎｎｗｔｒｒｎｅｔｅ，ｎａｇｒｈｕｏｔａｙａｒａｏｅｔｎｆｙｉｏｍｃｌ
ＩＲｓｔｌｗｅｈｎ９ｄＢ．Ｓｉｎ’ ｏｒｔａ
Ｋｅｙｗｏｒｓ：ＤＳＳ；ｗｉｅａｄｉｔｒｅｅｃ；ＳｄＳｄｂｎｎｅｒｎｅＶＭ；ｆａｕｅｅｔａｔｎ；ｒｃｇｉｏｆｅｔｒｘｒｃｉｏｅｏｎｔｎｉ
ａｆｆｈ—ｒｒａｔｍａｉｎｅｅｅｃｅｏｎｚｒｂａｅｎｄｃｓｏｒｅｓｐｏｔｖｃｏａｈｉｓｃｎｔｃｅｔｏｄｅｕｏｔｃｉｔｒｒｎｅｒｃｇｉｅｓｄｏｅｉｉｎｔｅｕｐｒｅｔｒｍｃｎｅｉｏｓｒｔｄ，ａｈｕｔｍａｉｅｏｉｉｆｕｎｄｔｅａｏｔｃｒｃｇｎ—
Ａｂｔａｔｓｒｃ：
Ｔｏｖｈｒｂｅｔａｅｃｎ’ ａｅｔｅｒｇｔｉｔｒｒｎｅｓｐｒｓｉｎｍｅｈｄｔｍｐｏｅｔｅｐｒｒｎｅｏｉｏｓｌｅｔｅｐｏｌｍｈｔｗａｔｔｋｈｈｎｅｆｅｃｕｐｅｓｏｔｏｏｉｒｖｈｅｏｍａｃｆｄ — ｉｅｆ

svm分类算法公式

svm分类算法公式SVM分类算法简介支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，广泛应用于分类和回归问题。

其核心思想是将样本映射到高维特征空间，通过寻找最优超平面来实现分类。

本文将对SVM分类算法进行详细介绍。

1. SVM分类算法原理SVM分类算法的核心是构建一个能够最大化两类样本之间间隔的超平面。

首先，将样本映射到高维特征空间，使得样本在新的空间中线性可分。

然后，通过优化算法寻找一个最优超平面，使得正负样本之间的间隔最大化，并且离超平面最近的样本点称为支持向量。

2. SVM分类算法的优势SVM分类算法具有以下几个优势：- 可以处理高维数据，适用于特征空间维度较高的情况；- 可以处理非线性分类问题，通过核技巧将样本映射到高维空间，解决线性不可分问题；- 在解决小样本问题时表现良好，通过设置合适的惩罚参数可以防止过拟合；- 通过支持向量的选择，使得模型具有较好的泛化能力。

3. SVM分类算法的步骤SVM分类算法的步骤如下：- 收集样本数据集，并将其分为训练集和测试集；- 根据问题的特点选择合适的核函数，例如线性核函数、多项式核函数或径向基核函数；- 将样本数据映射到高维特征空间，并进行特征缩放处理；- 使用优化算法（如SMO算法）求解SVM模型的参数；- 对测试集进行预测，并评估模型性能。

4. SVM分类算法的核函数核函数是SVM分类算法中重要的一部分，它用于将样本映射到高维特征空间。

常用的核函数有以下几种：- 线性核函数：适用于线性可分的情况，计算速度较快；- 多项式核函数：适用于非线性可分的情况，可以通过调整多项式的阶数来控制模型的复杂度；- 径向基核函数：适用于非线性可分的情况，可以通过调整径向基函数的宽度来控制模型的复杂度。

5. SVM分类算法的参数调优SVM分类算法中有一些关键的参数需要调优，以获得更好的模型性能。

常见的参数包括惩罚参数C、核函数参数等。

分类方法 svm

分类方法 svmSVM（Support Vector Machine，支持向量机）是一种常用的分类方法，广泛应用于很多领域，包括计算机视觉、自然语言处理、医学诊断等领域。

本文将围绕“分类方法SVM”展开，分步骤阐述其基本原理、算法步骤及应用场景。

一、基本原理SVM是一种基于统计学习理论的、用于模式识别、分类和回归问题的算法。

其基本思路是通过寻找一个能够把不同类别的数据分开的超平面来进行分类。

a. 超平面超平面是指将n维空间中的数据划分为两个区域（即两个类别）的线性划分面。

在二维平面中，超平面可以看作一条直线，而在三维空间中，超平面则是一个平面。

在n维空间中，超平面为一个n-1维的子空间，可以表示为：· 其中，w是法向量，b是平面的偏移量。

b. 支持向量支持向量是指距离超平面最近的样本点。

在SVM中，超平面的位置由离它最近的几个样本点确定，这些样本点被称为支持向量。

它们是分类的关键。

c. 间隔间隔是指从超平面到支持向量的距离。

在SVM中，我们希望将两个类别的数据分开的间隔最大化，从而得到最好的分类效果。

因此，SVM被称为最大间隔分类器。

二、算法步骤SVM算法的基本步骤包括数据预处理、模型训练、模型优化和预测。

具体流程如下：a. 数据预处理数据预处理是指对原始数据进行清洗、标准化、转换等操作，使其适合用于SVM的训练和预测。

常见的预处理方式包括数据清洗、特征选择、特征缩放等。

b. 模型训练模型训练是指使用支持向量机算法对样本数据进行学习和分类，并确定最佳超平面和支持向量。

SVM学习过程可以通过求解有约束的二次优化问题来实现。

通常使用QP（Quadratic Programming）算法求解。

c. 模型优化模型优化是指对SVM模型进行优化，以提高对新数据的分类准确度。

SVM的优化主要包括核函数的选择和调整参数C和gamma的值。

d. 预测预测是指使用已训练好的SVM模型对新数据进行分类，并输出预测结果。

基于后验概率的SVM决策树多类分类算法

Micr ocomputer Applications V ol.27,No.3,2011研究与设计微型电脑应用2011年第27卷第3期3文章编号：1007-757X(2011)03-0031-03基于后验概率的SVM 决策树多类分类算法王冬丽郑建国周彦摘要：后验概率支持向量机方法对孤立点和噪声具有鲁棒性，并且可以减少支持向量的数量，从而降低计算复杂度。

因此，针对最近提出的快速分类算法c-BTS ，引入样本的后验概率，提出了一种基于后验概率的SVM 决策树算法P2BTS 。

实验结果证明，基于后验概率的支持向量机决策树P2BTS 比c-BTS 的分类精度更高，且所需的二类分类器个数减少，在一定程度上降低了P2BTS 分类决策的时间和比较的次数，提高了分类效率。

关键词：支持向量机；决策树；后验概率；多类分类中图分类号：TP18文献标识码：A0引言V apnik 提出的支持向量机（Support V ector Machine,SVM ）[1]只能处理二值分类问题，而在数据挖掘的实际应用中，一般要解决的是多分类问题[2]。

如何将两类分类方法扩展到多类别分类是SVM 研究的重要内容之一。

当前已经有许多算法将SVM 推广到多类分类问题，这些算法大致分为两大类：（a ）将多个分类面的参数求解合并到一个最优化问题中，通过求解一次性的实现多类分类[3]，该方法的优化求解复杂，一般很少采用；(b)通过多个二类支持向量机的组合来解决。

主要有一对多组合模式（1-a-r ）、一对一组合模式(1-a-1)和SVM 决策树[4]。

由于SVM 决策树方法可以克服一对多、一对一方法所遇到的不可分问题，从而提高了泛化性能，而且决策树的结构多变，设计方法灵活多样，因此SVM 决策树多类分类算法是目前研究的热点。

但SVM 决策树还存在分类精度不高、决策树结构复杂等不足。

本文在分析了SVM 决策树分类算法的基础上，将贝叶斯理论与SVM 决策树方法相结合，提出了基于后验概率的SVM 决策树算法P2BTS 。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＹＩＹｅ～ｆｉ．ＷＵＸｉＮｅｕ—ｑｎｉｇ
（ｅａｔｎｏｌｔｎｃＥｇｅｒｇ＆Ｉｆｒ￣ｏｃｎｅＵＴＨｅｅＡｈｉ３０７ＣｉａＤｐｒｔｆｅｒｉｎｉｅｎｍｅＥｃｏｎｉｎｏｍｉｎＳｉｃ，ＳＣ，ｈｉｎｕ０２，ｈｎ）ｅ２ＡＳＲＡＴ：ｅｃｉｇｒｇｎｆｎｅｓ（ＯｓｓｈａｅｓｐｆｒｂｅｔＳｅｔｒｅｔｃｉ，ｄｎｉｃｔｎａｄＢＴＣＤｔｔｉｓｏｔｅｔＲＩ）ｉｔｅｂｓｔｊｃ’ ａｕｅｘａｔｎｉｅｔａｉｎｅｎｅｏｉｒｅｏｏｆｒｏｉｆｏ
像中感兴趣区域快速定位问题，提出一种基于决策二叉树支持向量机的纹理分类方法，将分类器分布在各个结点上。构成了
多类支持向量机，了分类器数量和重复训练样本的数量。在ＳＯ减少ＰＴ图像上的实验结果表明，该方法实现感兴趣区域的快速定位有较高的分类正确率。关键词：感兴趣区域；策二叉树；决支持向量机；纹理分析；图像分类
中图分类号：Ｐ５Ｔ７文献标识码：Ａ
ＡｎＡｐｒａｈｆｒＲＯＩＦａｔＤｅｅｔｎＢａｅｎＤｅｉｉｎＴｒｅＳｐｏｃｏｓｔｃｉｓｄｏｃｓｏｅＶＭａｓｆｅｏＣｌｓｉｒｉ
Ｔｉｔｏｉｔｂｔｓｃａｓｉｒｔａｈｎｄｓｗｈｃｏｓｉｔｓｍｕｔ —ｃａｓＳｈｓｍｅｈｄｄｓｒｕｅｌｓｉｅｏｅｃｏｅｉｈｃｎｔｕｅｌｉｌＶＭ．ＩＣｅｕｅｔｅｎｍｂｒｏｉｆｔｓｔａｒｄｃｕｅｆｎｈＳＶＭｌｓｉｅｄｄｐｉａｅｔｉｉｇｓｍｐｅ．Ｆｒｅｍｏｅ．ｔｅｅｐｒｍｅｔｒｏｅｏＰＴｃｎｓｈｅｕｔｃａｓｉｒａｕｌｔａｎｎａｌｓｕｔｒｒｈｘｅｆｎｃｒｈｉｎｓａｅｄｎｎＳＯｓｅｅ．Ｔｅｒｓｌｓ
ａｏｓｉｂｅｅａｓｐｉｈｒｔｒｔｓｎｂｅｔｓｓａｅａｅｃｍｌｘｉｅｏｅｓｇｉｇｒｉｉｒｎｔｕｔｌ，ｂｃｕｅｏｔａｃａａｅｓｃｄｏｊｃ’ ｈｐｒｏｐｅｒｍｔｓｎｉｅｙｗｔｂｇｅａｃｌｃｉｉａｎｅｎｍａｈｓｅｏａｔｔｒｌｓｉｃｔｎｍｔｏａｅｎｓｐｏｅｔｒａｈｎｓ（Ｖ）ｄｃｓｎｂｎｒｅｒｏｅ．ｉ．ＳｘｕｃａｓａｏｅｈｄｂｓｄｏｕｐｆｖｃｏｍｃｉｚｅｅｉｆｉｌｅＳＭｓｅｉｉｉａｔｅｉｐ经网络和多项式神经网络等学习算法，适合小样本情况Ｈ，ＶＳＭ在一些实际问题（Ｊ如文本分类、人脸检测、基于内容的图像分类等）中也得到了广泛应用。
本文通过用决策二叉树构造分类网络，用分类的方法使定位感兴趣区域。首先在二叉树各节点处根据图像纹理特征构造学习样本集和ＳＭ子分类器，Ｖ构造决策二叉树分类
ｔｃｉｇｒｋｎ．Ｔｈｅｍｅｔｔｎａｇｒｍｓｂｓｄｏｐｉａｈｒｃｅｓｉｓａｄｔｅｒｇｏｒｗｎｔｏａｅｎｅｇｓａｅｓｇｎａｉｌｏｔａｅｎｏｔｌｃａａｔｒｔｈｅｉｎｇｏｉｇｍｅｈｄｂｓｄｏｄｅｏｉｈｃｉｃｎ
１引言
定位感兴趣区域是提取目标特征，进行目标识别与跟踪
等后续处理的基础。随着成像技术的发展，可获得的遥感图像的空间分辨率不断提高，图像尺寸的增大给定位感兴趣区域带来很大困难。目前感兴趣区域提取方法的研究集中在
ＳＭ是近年发展起来的、Ｖ性能优越的分类算法，以替可
维普资讯
第２卷第１４期
文章编号：０ — ３８２０）１０００１６９４（０７０ — ２９— ４０
计
算
机
仿
真
２７月０年１０
基于决策树ＳＭ分类器Ｖ的感兴区域定位方法趣
尹叶飞，吴秀清
（中国科技大学电子工程与信息科学系，安徽合肥２０２）３０７摘要：感兴趣区域定位是提取目特征，标进行目标识别与跟踪等后续处理的重要基础。由于大尺寸遥感图像的光谱特性和目标形状均很复杂，常采用的基于光谱特征的分割方法和基于边缘的区域生长技术不合适。通从模式分类角度考虑遥感图
ｓｏｔａｈｓｍｅｈｄｉｄｐａｌｈｗｔｔｉｔｏｓａａｔｂｅ，ｈｓｈｇｃｒｃｄｓｅ．ｈａｉｈａｕａｙａｐｄｃｎｅ
ＫＹＷＯＲ：Ｏ；Ｄｃｓｎ—ｂｎｒｅ；ｕｐ￣ｖｃｒｃｉｅＳＭ）Ｔｘｕｎｙｉ；ＩａｅｃａｓｃｔｎＥＤＳＲＩｅｉｏｉｉｙｔｅＳｐｏｅｔｈ（Ｖ；ｅｔｒａａｓｍｇｌｉａｏａｒｏｍａｎｅｌｓｓｆｉｉ