SVM在图像分类中的应用

被引：7

作者：

章智儒

机构：

[1] 电子科技大学自动化工程学院

来源：

信息技术 | 2009年 / 33卷 / 08期

关键词：

SVM; 图像分类; 纹理特征; 灰度共生矩阵;

D O I：

10.13274/j.cnki.hdzj.2009.08.025

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

支持向量机(SVM)是一种新的机器学习技术。本文采用一对一方法构建多分类SVM分类器。利用常用的灰度共生矩阵方法提取图像纹理特征,组成特征向量,输入构建好的SVM多分类器中进行分类。对从Brodatz纹理库中选取的4张纹理图像进行了分类实验,取得较好的分类结果。

引用

页码：133 / 136

页数：4

共 8 条

[1] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

[2]

高光谱遥感图像特征提取及分类研究.[D].许将军.电子科技大学.2007, 03

[3]

实用数字图像处理.[M].陈书海;傅录祥编著;.科学出版社.2005,

[4] 基于BP神经网络的带钢表面缺陷的识别与分类 [J].

韩英莉 ;

颜云辉 .

仪器仪表学报, 2006, (12) :1692-1694

[5] 支持向量机的多分类算法 [J].

胡国胜 ;

钱玲 ;

张国红 .

系统工程与电子技术, 2006, (01) :127-132

[6] 基于SVM的图像分类 [J].

王亮申 ;

欧宗瑛 ;

朱玉才 ;

侯杰 ;

于京诺 .

计算机应用与软件, 2005, (05) :98-99+126

[7] 基于SVM算法的图像分类 [J].

薛明东 ;

郭立 ;

不详 .

计算机工程与应用 , 2004, (30) :230-232

[8] 优化的BP神经网络分类器的设计与实现 [J].

江虹 ;

曾立波 ;

胡继明 .

计算机工程与应用, 2001, (05) :122-125

← 1 →