您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报(工学版)

• 论文 • 上一篇    下一篇

基于支持向量机的图像纹理识别方法

解洪胜, 张虹   

  1. 中国矿业大学环境与测绘学院,江苏徐州221008
  • 收稿日期:2006-02-10 修回日期:1900-01-01 出版日期:2006-12-24 发布日期:2006-12-24
  • 通讯作者: 解洪胜

XIE Hong-sheng,ZHANG Hong   

  1. School of Environmental Sciences and Spatial Informatics,China University of Mining Technology,Xuzhou 221008,China
  • Received:2006-02-10 Revised:1900-01-01 Online:2006-12-24 Published:2006-12-24
  • Contact: XIE Hong-sheng

摘要: 将支持向量机(SVM)应用于基于内容的图像检索领域,提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法.目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换,用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量,将特征向量归一化后用支持向量机进行训练和识别.最后,利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较.结果表明,该方法的识别率在小样本情况下要优于其他几种方法,并且具有更好的泛化和推广能力.

关键词: Gabor小波变换, 支持向量机, 特征抽取, 纹理识别, 基于内容图像检索

Abstract: Applying support vector machine (SVM) to the contentbased image retrieval, the novel method of integrated texture recognition based on SVM and Gabor wavelet transform was proposed. Texture feature extracted by using multichannels Gabor wavelet filters was denoted by the coefficients of Gabor wavelet transform and its standard variance. In addition, the normalized feature vectorswere used to train and identify by support vector machine. Finally, experiments and comparisions with other methods using Brodatz texture database indicate that the presented method provide superior texture recognition accuracy and the best generalization ability over other methods under the condition of limited training samples.

Key words: support vector machine, feature extraction, texture recognition, contentbased image retrieval , Gabor wavelet transform

[1] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[2] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[3] 刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[4] 李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[5] 张玉玲,尹传环. 基于SVM的安卓恶意软件检测[J]. 山东大学学报(工学版), 2017, 47(1): 42-47.
[6] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[7] 刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[8] 周哲, 商琳. 一种基于动态词典和三支决策的情感分析方法[J]. 山东大学学报(工学版), 2015, 45(1): 19-23.
[9] 浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[10] 李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[11] 周咏梅1,杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[12] 王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
[13] 施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.
[14] 赵加敏,冯爱民*,刘学军. 局部密度嵌入的结构单类支持向量机[J]. 山东大学学报(工学版), 2012, 42(4): 13-18.
[15] 潘冬寅,朱发,徐昇,业宁*. 结肠癌基因表达谱的特征选取研究[J]. 山东大学学报(工学版), 2012, 42(2): 23-29.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!