SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。     

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

基于小波域2DPCA特征提取算法的SAR图像识别

文章提出了一种利用二维离散小波变换与二维数主成分分析结合对SAR图像进行特征提取的新方法。该方法对SAR图像进行二层小波分解后提取低频子带图像的二维主成分分量作为目标的识别特征,利用支持向量机完成目标分类。采用MSTAR实测SAR目标数据集进行特征提取和分类实验,实验结果表明:该方法可以有效提高目标的正确识别率。     

基于辐射噪声能量分布的舰船目标分类算法

有效的特征提取技术是水中目标识别的基础.为提高基于舰船辐射噪声的水中目标识别准确率,选用小波变换完成信号预处理和滤波,并在信号变换后的多尺度子空间上提取信号特征参数,归一化处理后构建分类特征向量,最后用支持向量机算法进行训练和测试.仿真结果表明,利用小波变换的多分辨率分析方法和支持向量机算法对舰船辐射噪声信号进行分类识别,特征提取算法有效,分类速度较快.     

一种新型支持向量机船舶探测方法研究

在船舶探测领域,需要根据不同的应用场合,采用不同类型的图像识别与探测技术,而海洋环境的可变特征为获取高解析度图像带来了较大困难,使得对于海上船舶图像的探测与识别难以达到良好的效果。为克服这一问题,本文提出一种新型支持向量机船舶探测方法,该方法利用颜色特征对图像块进行特征提取,采用支持向量机进行分类识别,并在分类后进行图像重建来提升分类精度和图像分辨率。仿真结果表明本文的方法能够应用于船舶探测领域,具有较好的可行性和有效性。     

船体表面缺陷检测系统研究

首先利用小波变换对船体表面的灰度图像进行特征提取,得到待检测船体表面的六维小波特征矢量;然后根据最小二乘支持向量机,采用逐级分类的方式进行舰船船体表面质量检测;最后通过实验可知,采用中值滤波进行预处理后的识别率要高于采用均值滤波。     

基于支持向量机的模式识别方法研究

本文对支持向量机的原理和应用进行了综合论述。首先,概要叙述了支持向量机(SVM)的产生背景和发展前景。简要介绍了SVM的定义、分类及算法。最后,对SVM在文本识别、数字识别、人脸检测、人脸识别、人脸认证、回归分析及预测、图像检索、特征提取等方面的应用进行了讨论。     

多尺度目标识别新方法

利用全局矩反映的是图像在整个空间的统计特征,可以稳定可靠地识别形状差异较大物体的特点,以及小波矩描述的是图像在局部空间的特征,能够准确有效地区分形状相似的目标的优点,提出了一种新的由粗到细、从全局到局部的多尺度逐级匹配目标识别方法.这种在大尺度下采用全局特征进行粗分类,小尺度下采用局部特征进行细分类的思想加快了匹配过程,实验结果表明,该方法比仅使用全局不变矩或小波不变矩特征的目标识别方法具有更高的识别率和更广的适用范围.