基于SVM分類的圖像邊緣檢測研究.pdf

1、圖像是典型的非結構化數(shù)據(jù)，特征上具有難以用有限規(guī)則刻畫且動態(tài)變化，內容上常常不完整，解譯上依賴信息利用主體等問題。邊緣是圖像的最基本特征，在邊界檢測、圖像分割、模式識別、機器視覺中起到重要作用。如何有效地檢測邊緣一直是圖像處理的熱點。傳統(tǒng)邊緣檢測算法，由于其模板相對固定，不能有效應對圖像中的變化；很難在提取邊緣的同時，有效抑制圖像噪聲；也基本不能選擇提取圖像中具有特定形狀的邊緣；只能應用于有限的較理想場合。因此，針對具體應用場景，邊緣提

2、取算法的各種改進也層出不窮，但大部分改進都表現(xiàn)在邊緣算子模板的不同構造方法上?；跀?shù)據(jù)的機器學習是智能信息處理中的最基本方法，是解決非結構化數(shù)據(jù)結構化建模的有效工具。其主要研究從數(shù)據(jù)出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)進行分類。
　　 本文重點研究通過不同的訓練數(shù)據(jù)構建動態(tài)的邊緣檢測模型，利用這樣的模型來提取有效的圖像邊緣。為了實現(xiàn)邊緣檢測，我們的思路是將感興趣的邊緣點看作一類，而其他像素點看作另一類，利用分類算法建模后對圖像提

3、取相應邊緣。本文采用了在模式識別中解決小樣本、非線性及高維問題有顯著優(yōu)勢的、基于統(tǒng)計學習理論的支持向量機(SVM)方法，作為學習建模的基礎。本課題的研究目的，就是基于MATLAB搭建實驗平臺，利用SVM算法實現(xiàn)有選擇的圖像邊緣檢測。本項目具體完成了以下研究內容：
　　 ⑴編程實現(xiàn)了通過邊緣訓練圖像快速構建檢測模型，利用SVM提取圖像的邊緣；
　　 ⑵研究通過邊緣-噪聲訓練圖像構建檢測模型，使得模型在檢測邊緣的同時，能一定

4、程度克服噪聲干擾；
　　 ⑶研究通過對訓練圖像中的特定圖形邊緣建立模型，利用SVM分類器將被測圖像中我們感興趣的邊緣檢測出來。
　　 ⑷提出了先利用不考慮位置信息的邊緣檢測得到圖像初步邊緣(可能有斷續(xù))，再利用考慮位置信息的算法對缺失邊緣進行插補的邊緣提取改進算法，有效處理較復雜圖像。
　　 ⑸提出了訓練SVM分類器的策略，并觀察到不同模型與分類器的參數(shù)集之間存在有一定程度的不變性，這樣的性質有望在今后被利用于具