基于SVM的图像分类研究

支持向量机（SVM）是一种优秀的分类方法,灰度共生矩阵（GLCM）是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法。实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高。     

基于灰度共生矩阵和支持向量机的茶叶病害诊断研究

针对茶叶病害由于致病机理不同导致病斑纹理不同的特点,通过灰度共生矩阵来构造茶叶病害的纹理特征和将支持向量机应用到茶叶病害的识别方法;由于支持向量机是一个二分器,提出了投票最大策略建立SVM多分类识别算法。首先对茶叶病害的图像进行预处理以改善图像质量,然后利用灰度共生矩阵构造和提取了5种纹理特征,最后建立支持向量机多分类识别器并对茶叶病害进行识别。实验结果表明:利用灰度共生矩阵构造的纹理特征对茶叶病害的识别效果好;不同核函数的识别性能不同,径向基核函数比较适合茶叶病害的识别,识别率高达86.67%;不同样本数的识别性能不同,支持向量机在解决小样本的病害识别问题上有很好的识别能力,最低识别率达到70%,稳定性好。     

基于图片DCT域共生矩阵的图像拼接盲检测

通过对图像拼接技术的分析,提出了一种基于灰度共生矩阵的拼接图像检测算法.该算法把离散余弦变换(DCT)与灰度共生矩阵结合,计算图片DCT域上的灰度共生矩阵,将共生矩阵作为特征向量,采用特征提取 分类方法,利用支持向量机（SVM）分类器进行分类预测.实验结果表明,该算法在哥伦比亚大学灰度图片库和中国科学院彩色图片库上达到了91.2%和98.5%的最高检测准确率.     

航空发动机孔探损伤识别方法

针对目前航空发动机孔探检测不能对损伤类型自动识别现状,将支持向量机与孔探检测技术相结合,提出基于支持向量机（SVM）的损伤图像识别方法。该方法将损伤图像进行二值化分割,利用链码跟踪及灰度共生矩阵分别提取损伤区域的形状特征和纹理特征,组成多维特征向量,输入支持向量机进行分类识别。分类器设计阶段,组建性能优越的二叉树支持向量机以减少训练样本,提高分类效率。CFM56发动机实验结果表明：该方法的识别性能明显优于传统SVM多分类器和BP神经网络方法。     

结合规则和SVM方法的肺结节识别

为识别CT图像中的肺结节,提出了一种结合规则和支持向量机(SVM)的识别方法,来对分割出来的感兴趣区域(ROI)进行分类.该方法首先计算候选ROI的形态特征,利用基于规则的方法筛去非结节的区域;然后把筛选之后剩余的候选ROI作为测试样本和训练样本,计算它们的灰度和纹理等特征;最后把灰度、形态和纹理特征值作为SVM的输入...     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

乳腺肿瘤分类优化算法研究

设计实现了乳腺肿瘤分类的优化算法.(1)根据乳腺肿瘤灰度分布情况,设计实现了基于灰度共生矩阵的BP分类算法;(2)针对图像分类信息较大等特点,设计实现了基于主成分分析(PCA)的支持向量机(SVM)分类算法;(3)由于乳腺肿瘤种类繁多,在提取主成分特征的基础上,利用欧式距离分类方法对乳腺肿瘤做进一步细致分类.     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG)的方法提取时频图像特征,融合构建GLCM-HOG特征;最后,将融合特征输入支持向量机(SVM)进行分类,以判别往复压缩机的运行状态.实验结果表明,所提方法对设备的状态识别准确率可以达到92.33％,能够实现往复压缩机的准确诊断.     

利用SVM和灰度基元共生矩阵进行图像数据库检索

提出了一种新的基于内容的图像检索方法，其关键技术是：(i)提出一种检索图像内容纹理统计特征的新方法，定义若干规范灰度像素模式基元；计算这些基元沿不同方向和不同跨距成对出现的概率，可以组成灰度一基元共生矩阵；该矩阵可用来描述图像纹理方面的特征。(ii)通过构建分类矩阵进行二叉树判别，扩展了SVM的多类分类功能。实验测试表明该法可行，且具有较好检索性能。     

一种新的浮选泡沫图像识别方法

针对灰度共生矩阵法提取的浮选泡沫图像纹理特征相互混叠,不利于聚类和识别的问题,提出一种基于正交保局投影和支持向量机的浮选泡沫图像识别新方法.该方法利用正交保局投影法对原始纹理特征参数进行变换处理,有效改变了不同类别特征参数的聚集程度,并利用支持向量机进行分类.实验结果表明,所提方法的正确识别率能够达到93.5%,与基于最近邻分类器的主元分析法相比,其性能更好.