毕业设计论文基于SVM的图像分类系统设计文档

《毕业设计论文基于SVM的图像分类系统设计文档》由会员分享，可在线阅读，更多相关《毕业设计论文基于SVM的图像分类系统设计文档（31页珍藏版）》请在装配图网上搜索。

1、LANZHOU UNIVERSITY OF TECHNOLOGY毕业设计题 目 基于SVM的图象分类系统 学生姓名 学 号 专业班级 计算机科学与技术3班 指导教师 学 院 计算机与通信学院 答辩日期 摘 要支持向量机(SVM)方法是建立在统计学习理论基础之上的，克服了神经网络分类和传统统计分类方法的许多缺点，具有较高的泛化性能。但是，由于支持向量机尚处在发展阶段，很多方面尚不完善，现有成果多局限于理论分析，而应用显得较薄弱，因此研究和完善利用支持向量机进行图像分类对进一步推进支持向量机在图像分析领域的应用具有积极的推动作用。本文通过支持向量机技术和图像特征提取技术实现了一个图像分类实验系统。

2、文中首先引入了支持向量机概念，对支持向量机做了较全面的介绍；然后，讨论了图像特征的描述和提取方法，对图像的颜色矩特征做了详细的描述，对svm分类也做了详细的说明；最后讨论了由分类结果所表现的一些问题。测试结果表明，利用图像颜色矩特征的分类方法是可行的，并且推断出采用综合特征方法比采用单一特征方法进行分类得到的结果要更令人满意。关键词：支持向量机 图像分类 特征提取 颜色矩AbstractThe support vector machine (SVM) method is based on statistical learning theory foundation, overcome the

3、neural network classification and traditional statistical classification method of faults, and has high generalization performance. But, because the support vector machine (SVM) is still in the development stage, many still not perfect, the existing results more limited to the theoretical analysis,

4、and the use of appear more weak and therefore study and improve the use of support vector machines to image classification support vector machine to further advance in the application of image analysis play a positive role in promoting.In this paper, support vector machine (SVM) technology and image

5、 feature extraction technology implements a image classification experiment system. This paper first introduces the concept of support vector machine (SVM), the support vector machine (SVM) made a more comprehensive introduction; Then, discussed the image characteristics of description and extractio

6、n method, the image color moment features described in detail, also made detailed instructions for the SVM classification; Finally discussed the classification results of some problems. Test results show that using the torque characteristics of the image color classification method is feasible, and

7、deduce the comprehensive characteristic method than using single feature method to classify the results are more satisfactory.Keywords: support vector machine image classification feature extraction Color Moment目 录摘 要IAbstractII第一章 前言11.1本课题的研究意义11.2本论文的目的、内容11.3开发技术介绍11.3.1 SVM技术及其发展简史11.3.2 java技术

8、简介2第二章 系统分析32.1 系统需求分析32.2 系统业务流程分析3第三章 系统总体设计43.1 分类系统的结构43.2 图像数据库43.3 特征提取模块43.4 svm分类模块4第四章 系统详细设计64.1 特征提取模块64.1.1 颜色矩64.2 SVM分类模块74.2.1 svm的算法简介74.2.2 svm的核函数选择84.2.3 svm的核函数84.2.4 svmtrain的用法94.2.5 svmpredict的用法10第五章 系统测试115.1 图像数据115.2 提取颜色矩特征115.3 svm分类125.4 测试结果分析13第六章 软件使用说明书14设计总结16参考文献1

9、7外文翻译18原文18Abstract181 Introduction182 Support vector machines193 Co-SVM203.1 Two-view scheme203.2 Multi-view scheme203.3 About SVM214 Related works23译文24摘 要241 前 言242 支持向量机243 合作支持向量机253.1 双试图计划253.2 多视图计划263.3 SVM 简介264 相关作品27致 谢29第一章 前言1.1本课题的研究意义随着信息社会的到来，人们越来越多的接触到大量的图像信息。每天都有大量的图像信息在不断的产生(如卫星、

10、地质、医疗、安全等领域)，这些图像信息的有效组织和快速准确的分类便成了人们亟待解决的课题。图像分类就是利用计算机对图像进行定量分析，把图像中的每个像元或区域划归为若干类别中的一种，以代替人的视觉判读，图像分类的过程就是模式识别过程，是目视判读的延续和发展。是工业和学术界的热点问题。本文提出了一种利用支持向量机(SupportVector Machine，简称SVM)的图像分类方法。该系统可用于各类图像的分类，给定某类图像的训练数据，可以学习分类规则。对于给定的新图像，即能输出图像的类别。1.2本论文的目的、内容 首先应该指出的是，在某些方面，SVM同神经网络的研究方法是可以相互借鉴的。正如在对

11、神经网络的研究一样，人们在SVM的研究方面不能抱有矛盾的幻想，一方面想使其功能强大无比，任何情况下都具有极高的泛化能力；另一方面，又要求SVM具有良好的性能，例如全局收敛且收敛速度快。这显然是不现实的，它应该是人们不断为之奋斗的目标。因此在SVM的研究方面必须有所侧重，本文在SVM的研究中偏向于它的性能和应用性，即要求保证全局最优的基础上，尽量提高收敛速度，使其在图像分析中发挥很好的作用：而对SVM的容量控制等理论问题，本文暂不过多涉及。本文对以下问题做了研究：1。分析SVM模型中核函数的特性，探讨核函数与SVM分类器性能的关系，为下面的研究做铺垫。2利用上述的分析，研究了图像的特征对SVM分

12、类器的影响，主要利用了颜色特征和纹理特征，分别对颜色图像分类、纹理图像分类以及综合特征的图像分类进行了比较，并在Pc机上进行大量的实验，对实验数据进行对比和分析。1.3开发技术介绍1.3.1 SVM技术及其发展简史SVM是支持向量机(SupportVector Machine)的简称，是在统计学习理论基础上发展起来的一种机器学习方法。早在六十年代，SVM的奠基人V.Vapink就开始了统计学习理论的研究。1971年，V.Vapink和Chervonenkis在“The Necessary and Sufficient Conditions for the Unifoms Convergence

13、 of Averages to Expected values，一文中，提出了SVM的一个重要的理论基础-VC维理论。1982年，在“Estimation of Dependences Based on Empirical Data”一书中， V.Vapnik进一步提出了具有划时代意义的结构风险最小化原理，为SVM奠定了直接的、坚实的理论基础。1992年,B.Boser,T.Guyon和V.Vapnik，在“A Training Algorithm for Optimal Margin C1assifiers”一书中，提出了最优边界分类器，由此形成了SVM的雏形。SVM的提出被认为是机器学习的

14、一个重要革新。1993年，Cortes和Vapnik，在“The Soft Margin classifier”一文中，进一步探讨了非线性最优边界的分类问题。1995年，Vapnik在“The Nature of statistical Learning Theory”一书中，完整地提出了SVM分类。1997年，V.Vapnik，SGokowich和ASmola，发表的“Support Vector Method for Function Approximation，Regression Estimation,and signal Processing”，一文中，详细介绍了基于SVM方法的回归

15、算法和信号处理方法。1998年，Smola在他的博士论文中详细研究了SVM中各种核的机理和应用，为进一步完善SVM非线性算法做出了重要的贡献。l999年，BSchokopf和SMika等人在“Input SpaceVersus Feature Space in Kemel-Based Methods”一文中提出了将核变换和核技巧用于空间变换。同年， Bscholkopf，C.J.C.Burges和AJSmola在“Advances in Kemel Methodssupport Vector Learning”一文中详细阐述了核方法。上述及同期其它学者的工作，将隐含在SVM中的核方法引申出来，

16、并且得以发展和完善。核方法的提出、完善和进一步地应用，是SVM对学习算法的重要贡献，是SVM发展的一个重要里程碑。1.3.2 java技术简介Java是一种可以撰写跨平台应用软件的面向对象的程序设计语言，是由Sun Microsystems公司于1995年5月推出的Java程序设计语言和Java平台（即JavaEE, JavaME, JavaSE）的总称。Java自面世后就非常流行，发展迅速，对C+语言形成了有力冲击。Java 技术具有卓越的通用性、高效性、平台移植性和安全性，广泛应用于个人PC、数据中心、游戏控制台、科学超级计算机、移动电话和互联网，同时拥有全球最大的开发者专业社群。在全球云

17、计算和移动互联网的产业环境下，Java更具备了显著优势和广阔前景。Java是由Sun Microsystems公司于 1995年5月推出的Java面向对象程序设计语言（以下简称Java语言）和Java平台的总称。由James Gosling和同事们共同研发，并在1995年正式推出。Java最初被称为Oak，是1991年为消费类电子产品的嵌入式芯片而设计的。1995年更名为Java，并重新设计用于开发Internet应用程序。用Java实现的HotJava浏览器（支持Java applet）显示了Java的魅力：跨平台、动态的Web、Internet计算。从此，Java被广泛接受并推动了Web的

18、迅速发展，常用的浏览器均支持Javaapplet。另一方面，Java技术也不断更新。(2010年Oracle公司收购了SUN)第二章 系统分析2.1 系统需求分析随着信息社会的到来，人们越来越多的接触到大量的图像信息。每天都有大量的图像信息在不断的产生(如卫星、地质、医疗、安全等领域)，这些图像信息的有效组织和快速准确的分类便成了人们亟待解决的课题。图像分类就是利用计算机对图像进行定量分析，把图像中的每个像元或区域划归为若干类别中的一种，以代替人的视觉判读，图像分类的过程就是模式识别过程，是目视判读的延续和发展。是工业和学术界的热点问题。SVM, Support Vector Machine

19、, 即支持向量机，是一种机器学习算法， 不过现今最常拿来就是做分类 (classification) 。 也就是说，如果我有一堆已经分好类的东西 （可是分类的依据是未知的！） ，那当收到新的东西时， SVM 可以预测 (predict) 新的数据要分到哪一堆去。 2.2 系统业务流程分析应用svm分类的步骤如下：（1） 首先搜集各个类的训练集和测试集（2） 从训练集和测试集中提取图片特征（3） 将训练集提取的数据用于svm的学习训练，得到训练模板（4） 通过模板对测试集提取的特征数据用于分类，得到分类结果系统业务流程图如下图2.2所示：搜集训练图片特征提取搜集测试图片学习分类器分类分类结果 图

20、2.2 系统业务流程图第三章 系统总体设计3.1 分类系统的结构基于支持向量机的图像分类实验系统的框架示意图如下图3.1所示：图像图像特征提取模块SVM分类模块图3.1系统结构图3.2 图像数据库图像数据库指搜集不同种类的图片作为特征提取的图片数据集。本次我所取的图片以颜色特征为主如下表格3.2所示： 表格3.2 图片类别红色黑色蓝色绿色黄色3.3 特征提取模块该模块主要负责对图像数据库中的图像进行特征提取，并对其进行特征归一化处理，把所提取的特征数据以下格式写到特征输出文件中，以作为下一个模块的输入数据。label index1:value1 index2:value2 . label in

21、dex1:value1 index2:value2 .3.4 svm分类模块该模块以特征提取模块的输出文件作为输入，可以对支持向量机的各个参数进行选择，包括核函数及其参数，然后用一定量的样本对该学习机进行学习和训练，用测试样本来测试，得到最后的分类效果。使用 SVM 的流程大概就是：1. 准备数据并做成指定 格式 ( 有必要时需 svmscale) 。2. 用 svmtrain 来 train 成 model 。 3. 对新的输入，使用 svmpredict 来 predict 新数据，得到分类结果。第四章 系统详细设计4.1 特征提取模块该模块主要负责对图像数据库中的图像进行特征提取，并对其

22、进行特征归一化处理，然后把图像的特征值输出到相应的文件中，以作为下一个模块的输入。4.1.1 颜色矩颜色是彩色图像最重要的内容之一，被广泛用于图像检索中。但从图像中提取颜色特征时，很多算法都先要对图像进行量化处理。量化处理容易导致误检，并且产生的图像特征维数较高，不利于检索。stricker和0reng0提出了颜色矩的方法1，颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值,mean)、二阶矩(方差,viarance)和三阶矩(斜度,skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布，该方法的

23、优点在于：不需要颜色空间量化，特征向量维数低；但实验发现该方法的检索效率比较低，因而在实际应用中往往用来过滤图像以缩小检索范围。设p(i,j)图像的像素值，N为像素数，则： Mean=(sum(p(I,j)/N Variance=sqrt(sum(p(I,j )-mean)2/N) Skewness= Variance= (sum(p(I,j )-mean）3/N)1/3 三个颜色矩的数学定义：其中，Pi,j表示图像第i个颜色通道分两种灰度为j的像素出现的概率，N表示图像中的像素个数。与颜色直方图相比，该方法的另一个好处在于无需对特征进行向量化。因此，图像的颜色矩一共只需要9个分量（3个颜色分

24、量，每个分量上3个低阶矩），与其他的颜色特征相比是非常简洁的。在实际应用中为避免低次矩较弱的分辨能力，颜色矩常和其它特征结合使用，而且一般在使用其它特征前起到过滤缩小范围（narrow down）的作用。4.2 SVM分类模块该模块以特征提取模块的输出文件作为输入，可以对支持向量机的各个参数进行选择，包括核函数及其参数，然后用一定量的样本对该学习机进行学习和训练，用测试样本来测试，得到最后的分类效果。4.2.1 svm的算法简介近年来，随着统计学习理论和支持向量机越来越受到广泛的关注，陆续提出了许多关于SVM的训练算法，其算法也日益完善。下面就简单介绍一下SVM算法。SVM训练算法主要有三类：

25、二次规划算法，分解算法和增量算法。另外，针对特定的问题，很多研究者在这三类算法的基础上提出了很多改进算法，这些算法在特定问题的解决中表现出了很好的效果。第一类是二次规划算法。在前面的分析中多次提到，SVM可以归结为一个二次规划(QP)问题，QP是一种常见的优化问题，有一套比较成熟的理论基础。从数学角度分析，SVM是一个求条件极值问题，其通常的解法有罚函数法和单纯形法。罚函数法的基本思想是将解不满足约束条件的程度作为惩罚项加在目标函数中，将条件极值问题转化为无条件极值问题来处理，求得其解后增大惩罚力度，将上一步的结果作为下一次寻优的起始迭代点，再求解无条件极值问题，直到满足约束为止。单纯形法是先

26、随机找到一个可行点作为初值点，构造以可行点为顶点的单纯形，然后按某种搜索策略逐步缩小单纯形，直至各项点间的距离在允许误差范围内为止。第二类是分解算法。当训练样本增加时，二次规划算法存在训练速度慢，效率低下，算法复杂而难以实现等问题。为此，一些学者提出了处理大规模训练集的算法。Cones和Vapnik提出Chunking算法，该算法每次求解一个子QP问题，得到若干支持向量。用这些支持向量和一些不满足优化条件的样本，构成新的子QP问题，而初始子问题由任意若干个样本构成。重复上述过程，知道所有样本满足优化条件。该方法存在的问题是，当支持向量较多时，算法的训练速度明显变慢。因为该方法实际求解的QP问题

27、中的赫赛(Hessiall)矩阵的规模下降为最多。P1att提出了SMO(Sequential Minimal和mization序贯最小优化)算法。该算法将工作样本集的规模减到最小一一两个样本的情况，其优点是针对两个样本的二次规划问题可以有解析解的形式，从而避免了多样本情况下的数值解不稳定及耗时问题，同时也不需要大的矩阵存储空间，特别适合稀疏样本，算法避开了复杂的数值求解优化问题的过程。此外，SVM算法工作集的选择也别具特色，不是传统的最陡下降法，而是采用启发式策略，通过两个嵌套的循环来寻找待优化的样本变量。在外循环中寻找违背KKT(KarushKuhnTuckcr)最优条件的样本，然后在内循

28、环中再选择另一个样本，完成一次优化。再循环，进行下一次优化，直到全部样本都满足最优条件，这大大加快了算法的收敛速度。sM0算法主要耗时在最优条件的判断上，所以应寻求最合理即计算代价最低的最优条件判别式。第三类是增量算法。训练方式是在训练样本单个输入的情况下训练，其训练样本总的个数是未知的。最典型的应用是系统的在线辨识。AhmedsN最早提出了SVM增量训练算法，但只是近似的增量，即每次只选一小批常规二次规划算法能处理的训练样本，然后只保留支持向量，抛弃非支持向量，和新进来的样本混和进行训练，知道训练样本用完为止，实验表明误差可以接受。Cauwenberghs G等人提出了增量训练的精确解，即增

29、加一个训练样本或减少一个样本对Lagrange系数和支持向量的影响，实验表明算法是有效的，特别是减少一个样本时，对模型选择算法LOO(Leave one out)的形象解释，缺点是当样本无限增多时，还是必须抛弃一些样本，使其能够实用。此外，在以上三类基本算法的基础上，许多学者还提出了其他的算法，如；张学工提出的CSVM算法，将每类训练样本集进行聚类分成若干个子集，用子集中心组成新的训练样本集训练SVM等。这些算法为SVM的广泛应用起到了推动作用。4.2.2 svm的核函数选择支持向量机模型最重要的一个参数就是核函数。选择什么样的核函数，就意味着将训练样本映射到什么样的空间去进行线性划分，核函数

30、的选择关系到能否得到正确识别结果，而怎样从理论上保证选择最优的核函数仍是一个有待解决的问题，目前多是通过实验来决定。4.2.3 svm的核函数核函数是SVM模型建立的一个主要问题，因为核函数在支持向量机中占有比较重要的地位，所以本节将其单独列出来，对现有的研究成果进行整理和分析，为以后的实验打下坚实的理论基础。Vapnik在SVM理论中提到，当问题不是线性可分时，利用核函数将样本集映射到某一高维空间，使得样本集在高维空间的像集是线性可分的。定理：对任给的样本集K，均存在一映射墨K1,K2两类，则必然存在一映射F：SnM，F(K)在M中是线性可分的。该定理说明：对任给的样本集K，均存在一映射F，

31、在此映射下，F(K)(在高维空间中)是线性可分的。上述即为核函数的存在性定理，该定理为在任意样本集上应用核方法(包括SVM)提供了理论保证。4.2.4 svmtrain的用法svmtrain实现对训练数据集的训练，获得SVM模型。Train ( 训练 ) data. train 会接受特定格式的输入 , 产生一个 Model 文件 。 这个 model 你可以想象成 SVM 的内部数据 , 因为 predict 要 model 才能 predict, 不能直接吃原始数据 。用法： svmtrain options training_set_file model_file；其中，options（

32、操作参数）：可用的选项即表示的涵义如下所示：-s svm类型：设置SVM 类型，默认值为0，可选类型有：0 - C- SVC1 - n - SVC2 - one-class-SVM3 - e - SVR4 - n - SVR-t 核函数类型：设置核函数类型，默认值为2，可选类型有：0 - 线性核：u*v1 - 多项式核： (g*u*v+ coef 0)deg ree2 - RBF 核：e( u v 2) g -3 - sigmoid 核：tanh(g*u*v+ coef 0)-d degree：核函数中的degree设置，默认值为3； -g g ：设置核函数中的g ，默认值为1/ k ；-r

33、coef 0：设置核函数中的coef 0，默认值为0；-c cost：设置C- SVC、e - SVR、n - SVR中从惩罚系数C，默认值为1；-n n ：设置n - SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5；-p e ：设置n - SVR的损失函数中的e ，默认值为0.1；-m cachesize：设置cache内存大小，以MB为单位，默认值为40；-e e ：设置终止准则中的可容忍偏差，默认值为0.001；-h shrinking：是否使用启发式，可选值为0 或1，默认值为1；-b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0；

34、-wi weight：对各类样本的惩罚系数C加权，默认值为1；-v n：n折交叉验证模式。其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉检验准确度和均方根误差。以上这些参数设置可以按照SVM 的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM 类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。4.2.5 svmpredic

35、t的用法svmpredict 是根据训练获得的模型，对数据集合进行预测，依照已经 train 好的 model, 再加上给定的输入 ( 新值 ), 输出 predict ( 预测 ) 新值所对应的类别。用法：svmpredict options test_file model_file output_file；options（操作参数）：-b probability_estimates：是否需要进行概率估计预测，可选值为0 或者1，默认值为0。model_file 是由svmtrain 产生的模型文件；test_file 是要进行预测的数据文件；output_file 是svmpredict

36、的输出文件，表示预测的结果值。svmpredict 没有其它的选项。第五章 系统测试5.1 图像数据本次测试所用图片以颜色特征为主如下表格5.1所示：表格5.1 图片类别及数量红色黑色蓝色绿色黄色总计训练数量/张100100100100100500测试数量/张80808080804005.2 提取颜色矩特征读取图片、提取图片特征，得到训练数据文件和测试数据文件，如下图5.2.1、图5.2.2所示： 图5.2.1 训练数据 图5.2.2 测试数据5.3 svm分类1、读取训练数据文件，训练svm得到model文件，如下图5.3.1所示： 图5.3.1 model文件2、读取测试数据文件，进行分类

37、输出分类结果，如下图5.3.2所示： 图5.3.2 分类结果文件5.4 测试结果分析测试结果如下图5.4所示：从实验结果来看，利用图像颜色矩特征的分类方法是可行的，这说明人们获取图像信息是多方位的。由此可以推断出提高分类准确率的方法有： （1）采用多折交叉验证（2）综合多种特征来分类第六章 软件使用说明书SVM, Support Vector Machine , 即支持向量机，是一种机器学习算法， 不过现今最常拿来就是做分类 (classification) 。 也就是说，如果我有一堆已经分好类的东西 （可是分类的依据是未知的！） ，那当收到新的东西时， SVM 可以预测 (predict)

38、新的数据要分到哪一堆去。 这里我们简单讲述基于svm的图像分类系统的使用方法：（1） 按类搜集图片一部分作为训练，另一部分作为测试；如下图6.1所示： 图6.1 图像数据（2） 提取图片特征，并把特征数据指定为svm能读入的数据格式；如下图6.2所示： 图6.2 特征数据（3）用训练数据训练svm分类器，得到model文件，如下图6.3所示： 图6.3 model文件（3） 读入测试数据进行分类，得到分类结果文件如下图6.4所示： 图6.4 结果文件 设计总结在大学的学习过程中，毕业设计是一个重要的环节，是我们步入社会参与实际项目的规划建设的一次极好的演示.毕业设计是四年学习的总结和提高，和做

39、科研开发工作一样，要有严谨求实的科学态度。毕业设计有一定的学术价值和实用价值，能反映出作者所具有的专业基础知识和分析解决问题的能力。此次毕业设计是我们从大学毕业生走向未来工作重要的一步。从最初的选题，开题到分析调查、代码编写直到完成设计。其间，查找资料，老师指导，与同学交流，反复修改代码，每一个过程都是对自己能力的一次检验和充实。在毕业设计期间，尽可能多的阅读文献资料是很重要的，一方面是为毕业设计做技术准备，另一方面是学习做毕业设计的方法。一次优秀的设计对启发我们的思维，掌握设计的规范、流程、具体操作都很有帮助。这次毕业设计我做的基于svm的图像分类系统。虽然对图像处理没有深入的学习过，但是通

40、过指导老师给我的资料，再加自己找相关的资料和网络上资料对本课题有了一定的了解。然后用了一个星期对总的资料进行整理和删选，选择对自己设计有用的资料汇编成册作为后期设计的辅助资料参考和借鉴。接下来的几个星期指导老师给了我们具体的设计任务，并指导我们具体的设计流程。通过对原有代码的分析使自己很快的有了自己设计的思路，完善了代码，然后和老师的交流进行改进自己的设计方案和设计的不足。通过几轮的修改以及老师的交流使自己慢慢的完善自己的设计方案。整个毕业设计期间，指导教师认真严格的要求我们，我们因为是独立的完成一个设计，需要老师的指导，我们认真的听取老师的意见，同时也发表自己对方案的见解，每一个星期我与指导

41、老师都会见一次面，这样我们可以很好的交换意见，更好的完善方案。我们严格按照学校的有关规定执行，对毕业设计内容及工作量进行讨论并确定，我们还可随时找老师进行答疑，老师为方便我们联系，把电话号码和Email地址留给了我们，给我们专门建立了一个QQ群，如果有什么事就可以及时得到解决，这样问题不致堆积、也不会因此拖了进度。在毕业设计期间，如果没有老师的细心指导，而是自己一个人独自做设计，也不与任何人交流，这是完全不行的，设计其实也是一个团队的工作，如果不能与他人进行良好的沟通与交流，做出的设计也只是只有自己一个人会欣赏，而别人却不一定会认可你的设计，所以在这次毕业设计过程中，我懂得了一个道理，团结得力

42、量，只有更好得与他人，进行沟通与交流，吸取别人的建议，工作才会更加的顺利。参考文献1 2 3 外文翻译原文Rapid and brief communicationActive learning for image retrieval with Co-SVMAbstractIn relevance feedback algorithms, selective sampling is often used to reduce the cost of labeling and explore the unlabeled data. In this paper, we proposed an act

43、ive learning algorithm, Co-SVM, to improve the performance of selective sampling in image retrieval. In Co-SVM algorithm, color and texture are naturally considered as sufficient and uncorrelated views of an image. SVM classifiers are learned in color and texture feature subspaces, respectively. The

44、n the two classifiers are used to classify the unlabeled data. These unlabeled samples which are differently classified by the two classifiers are chose to label. The experimental results show that the proposed algorithm is beneficial to image retrieval.1 IntroductionRelevance feedback is an importa

45、nt approach to improve the performance of image retrieval systems 1. For largescale image database retrieval problem, labeled images are always rare compared with unlabeled images. It has become a hot topic how to utilize the large amounts of unlabeled images to augment the performance of the learni

46、ng algorithms when only a small set of labeled images is available. Tong and Chang proposed an active learning paradigm, named SVMAct ive 2. They think that the samples lying beside the boundary are the most informative. Therefore, in each round of relevance feedback, the images that are closest to

47、the support vector boundary are returned to users for labeling. Usually, the feature representation of an image is a combination of diverse features, such as color, texture, shape, etc. For a specified example, the contribution of different features is significantly different. On the other hand, the

48、 importanceof the same feature is also different for differentsamples. For example, color is often more prominent than shape for a landscape image. However, the retrieval results are the averaging effort of all features, which ignores the distinct properties of individual feature. Some works have su

49、ggested that multi-view learning can do much better thanthe single-view learning in eliminating the hypotheses consistent with the training set 3,4.In this paper, we consider color and texture as two sufficient and uncorrelated feature representations of an image. Inspired by SVMAct ive, we proposed

50、 a novel active learning method, Co-SVM. Firstly, SVM classifiers are separately learnt in different feature representations and then these classifiers are used to cooperatively select the most informative samples from the unlabeled data. Finally, the informativesamples are returned to users to ask

51、for labeling.2 Support vector machinesBeing an effective binary classifier, Support Vector Machines (SVM) is particularly fit for the classification task in relevance feedback of image retrieval 5. With the labeled images, SVM learns a boundary (i.e., hyper plane) separating the relevant images from

52、 the irrelevant images with maximum margin. The images on a side of boundary areconsidered as relevance, and on the other side are looked as irrelevance.Given a set of labeled images (x1, y1), . . . , (xn, yn), xi is the feature representation of one image, yi 1,+1 is the class label (1 denotes nega

53、tive and +1 denotes positive). Training SVM classifier leads to the following quadratic optimization problem:S.t：where C is a constant and k is the kernel function. The boundary (hyper plane) isWhere are any support vectors satisfied: The classification function can be written as 3 Co-SVM3.1 Two-vie

54、w schemeIt is natural and reasonable to assume that color features and texture features are two sufficient and uncorrelated views of an image. Assume that x = c1, . . . , ci, t1, . . . , tj is the feature representation of an image, where c1, . . . , ci and t1, . . . , tj are color attributes and te

55、xture attributes, respectively. For simplicity, we define the feature representation space V = VC VT , and c1, . . . , ci VC, t1, . . . , tj VT .In order to find relevant images as much as possible, like the general relevance feedback methods, SVM is used to learn a classifier h on these labeled sam

56、ples with the combined view V at the first stage. The unlabeled set is classified into positive and negative by h. Then m positive images are returned to user to label. At the second stage, SVM is used to separately learn two classifiers hC and hT on the labeled samples only with color view VC and t

57、exture view VT , respectively. A set of unlabeled samples that disagree between the two classifiers is recommended to user to label, which named contention samples. That is, the contention samples are classified as positive by hC (CP) while are classified as negative by hT (TN), or are classified as

58、 negative by hC (CN) while are classified as positiveby hT (TP). For each classifier, the distance between sample and the hyper plane (boundary) can be looked as the confidence degree. The larger the distance, the higher the confidence degree is. In order to ensure that users can label the most info

59、rmative samples, the samples which are close to hyper plane in both views are recommended to user to label. 3.2 Multi-view schemeThe proposed algorithm in two-view case is easily extended to multi-view scheme. Assume that the feature representation of a color image is defined as V = V1 V2 Vk, k2, ea

60、ch Vi, i = 1, . . . , k corresponds to a different view of the color image. Then k SVM classifiers hi can be individually learnt on each view. All unlabeled data are classified as positive (+1) or negative (1) by k SVM classifiers, respectively. Define the confidence degreeD(x) =ki=1sign(hi(x).The c

61、onfidence degree can reflect the consistency of all classifiers on a specified example. The higher the confidence degree, the more consistent the classification is. Inversely, lower degree indicates that the classification is uncertain. The labeling on these uncertain samples will result in maximum

62、improvement of performance. Therefore, the unlabeled samples whose confidence degrees are the lowest are considered as the contention samples.3.3 About SVM SVM (Support Vector machine, support vector machine) method 4 is based on statistical learning theory and the theory of VC dimension based on structural risk minimization principle, according to the li