基于PSO优化SVM的纹理图像分割

被引：6

作者：

陈云凤 ^{[1
]}

云挺 ^{[1
]}

周宇 ^{[1
]}

邓玉和 ^{[2
]}

王娴 ^{[1
]}

机构：

[1] 南京林业大学信息科学技术学院

[2] 南京林业大学木材工业学院

来源：

计算机应用与软件 | 2014年 / 31卷 / 04期

关键词：

图像分割; 粒子群算法; 支持向量机;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。

引用

页码：214 / 218

页数：5

共 13 条

[1]

A Modified Particle Swarm Optimizer. Shi YH,Eberhart RC. Proceedings of the IEEE International Conference on Evolutionary Computation . 1998

[2]

Particle swarm optimization. Kennedy J,Eberhart RC. Proceedings of IEEE International Conference on Neural Networks . 1995

[3] 基于Curvelet变换的荻草细胞图像分割 [J].

王娴 ;

周宇 ;

云挺 ;

邓玉和 .

计算机科学, 2012, 39 (11) :277-279

[4] 荻草的栽培与利用 [J].

高捍东 ;

蔡伟建 ;

朱典想 ;

邓玉和 ;

孙军 ;

邹玲 .

中国野生植物资源, 2009, 28 (03) :65-67

[5] 基于SVM算法和纹理特征提取的遥感图像分类 [J].

丁海勇 ;

卞正富 .

计算机工程与设计, 2008, (08) :2131-2132+2136

[6] 粒子群优化算法 [J].

李爱国 ;

覃征 ;

鲍复民 ;

贺升平 .

计算机工程与应用, 2002, (21) :1-3+17

[7] 关于统计学习理论与支持向量机 [J].

张学工 .

自动化学报, 2000, (01) :36-46

[8]

基于支持向量机参数优化的群智能优化算法研究[D]. 李艳英.天津大学 2007

[9]

The Nature of Statistical Learning Theory. Vapnik VN. . 1995

[10]

Parameter selection in particle swarm optimization. Shi Y,Eberhart RC. Evolutionary Programming Ⅶ: Proceedings of the Seventh Annual Conference on Evolutionary Programming . 1998

← 1 2 →