论文部分内容阅读
图像分割旨在研究如何有效地将图像依据一定的规则划分成各具特性的区域并对其感兴趣区域进行提取，其分割质量直接或间接影响后期图像分析和理解的效果。图像分割的本质就是对像素进行分类，故选择性能优良的分类算法对于图像分割具有重要的理论价值与实际意义。 20世纪末提出的支持向量机(Support Vector Machine，SVM)是基于统计学习理论基础的有监督分类的新型机器学习算法，已经在数据分析、图像分割和信号处理等众多领域得到广泛的关注与应用，尤其是对解决非线性、小样本等的分类问题具有潜在优势。 本文围绕SVM理论展开研究，提出两种改进的SVM彩色图像分割方法。首先考虑不同类型核函数之间的互补性，并兼顾图像特征属性以及训练样本选取方式，提出了基于k均值聚类和粒子群优化的多核SVM彩色图像分割方法；同时鉴于支持向量、非支持向量和噪声点在SVM进行图像分割过程中呈现的差异性，为了突出不同类型样本点在图像分割过程中的实际作用，使得图像的分割效果更加能够符合人类视觉注意机制，提出了基于视觉注意和改进隶属度的FSVM彩色图像分割方法。主要工作如下： 1.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题，提出了一种基于k均值聚类和粒子群优化的多核SVM彩色图像分割方法。该方法首先在L*a*b*颜色空间提取像素级颜色特征，利用Gabor变换提取像素级纹理特征；然后使用k均值聚类依据图像像素级颜色特征和纹理特征选取适量的训练样本，并使用该特征属性对构造的多核SVM分割模型进行训练；最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优，使生成的多核SVM具有更好的分割性能。通过选取复杂背景下的典型彩色图像进行分割实验，结果表明，本文方法在有效提取图像目标细节的同时，获得了更高的分割精度，与基于单核的SVM分割模型相比，具有更强的泛化能力。 2.针对SVM分割图像时存在对噪声和孤立点较敏感而容易产生误分割的问题，提出了一种基于视觉注意和改进隶属度的FSVM彩色图像分割方法。该方法将人类视觉显著性检测机制因素也考虑在内，避免了噪声点等非重要训练样本的干扰且使得分割效果符合人类视觉特点，改进的隶属度函数综合考虑了样本点距离类中心的远近以及样本点的疏密程度，从而有效的惩罚噪声点等，即增强了支持向量的作用，可以有效提高分割准确率。通过选取伯克利图像库中典型的彩色图像进行分割验证，结果显示，与标准的SVM及基于样本疏密程度隶属度的SFSVM分割方法相比，本文方法能够对复杂场景下的彩色进行有效分割，同时呈现出良好的抗噪能力。