一、前言
　　支持向量机是Vapnik及其研究小组提出的一种全新的模式识别技术。在使用结构风险最小化原则替代经验风险最小化原则的基础上,支持向量机综合了统计学习、机器学习和神经网络等方面的技术,并被证明可在最小化结构风险的同时,有效地提高算法的推广能力。由于其完备的理论基础和良好的实验结果,支持向量机日渐引起研究人员的重视。
　　二、支持向量机在图像处理中的应用
　　当前,图像处理技术几乎渗透到人类所有的活动领域中,特别在自动控制、信息通讯、无损检测、资源勘测、医学诊断、生物工程等领域更是得到的极为广泛的应用和发展。在当前的图像处理系统中,常常以图像分割为基础。对于一个图像处理系统而言,图像分割性能的好坏往往直接决定该系统的图像处理性能。对于在实际应用和科学研究中常常面对的复杂图像而言,目前还没有通用有效的分割方法。所采用的图像分割方法,在很大程度上依赖于图像的特征、人的经验和图像分割的目的。由于所开发出来的图像分割系统强烈地依赖于图像的特征,因此一个图像分割系统的使用范围也非常有限。
　　支持向量机作为神经网络的一个重要分支,和传统的机器学习方法相比,它具有全局优化、适应性强、理论完备、训练时间短、推广性能好等优点。因此作为一种新兴的机器学习方法,支持向量机具有良好的潜在应用价值和发展前景。作者在认真分析前人相关工作的基础上,对支持向量机在实际应用中存在的一些不足之处进行了深入研究。在支持向量机的自适应性、抗干扰能力、核函数的改进以及将支持向量机应用到复杂图像的分割等方面的做了大量的工作,并取得了良好的研究成果。
　　作者在讨论了现有的用于分类的支持向量机(SVM)所确定的边界在抗干扰方面的局限性。在此基础之上提出了一种新型支持向量机,即基于边界调节的支持向量机,并利用拉格朗日定理得到了这种支持向量机的对偶目标函数。通过对人工数据集和真实数据集的仿真实验表明,相对于L1-SVM而言,基于边界调节的支持向量机具有更少的支持向量和更好的推广性能。从而进一步说明了所提出的基于边界调节的支持向量机具有一定的理论和现实意义。根据实验数据:
　　表1中的 对于L1-SVM而言, , , ,即 。
　　实验结果说明,L1-SVM与基于边界调节的SVM都能够对该数据集实现正确分类。但是,基于边界调节的SVM的支持向量个数小于L1-SVM的支持向量个数。这说明基于边界调节的SVM的结构复杂度低于L1-SVM的结构复杂度。由推广错误率的上界:
　　
　　得知,基于边界调节的SVM的推广性能比L1-SVM的推广性能好。
　　作者在做项目过程中,首次将支持向量机引入到对复杂图像的分割系统中。对在复杂图像的分割系统中引入统计学习方法的必要性和采用支持向量机对复杂图像进行分割的可行性和优越性等给予了比较详细的分析。对支持向量机在图像分割中所面临的关键问题给予了详细的分析并给出了具体的解决方法。在此基础上,建立了一个用VC++编写的图像分割系统。实验结果表明,在样本、样本特征等适当选择的基础上,支持向量机能够实现对复杂图像的有效分割,在一定程度上克服了传统分割方法在特征选择和阈值确定方面存在的不足。
　　三、小结
　　在项目的应用部分,小组研究了将支持向量机应用于图像分割的问题。作者发现,样本及其特征集的选择对支持向量机的分割性能是至关重要的。因此,在用学习机器对实际问题给予解决的过程中,如何保证样本选择的代表性、一致性以及如何保证基于样本特征的样本的同一性和独立性,是一个长期值得关注的问题。