基于C#的图像分类系统实现

田凯 杜鹏 杭州电子科技大学数字媒体与艺术设计学院

基于C#的图像分类系统实现

田凯 杜鹏 杭州电子科技大学数字媒体与艺术设计学院

本文介绍了基于C#的图像分类系统的实现。目前，支持向量机是分类研究中的热点，它建立在统计学理论基础上的，相比与神经网络分类和传统分类方法具有较高的泛化性能。本文研究了图像的颜色特征在图像分类中的作用，并对颜色特征基本理论做了简要的说明。同时对核函数在SVM分类器中对图像分类的影响做了扼要论述。在C#平台上建立了一个使用SVM分类器的图像分类系统，并讨论了组成系统的各个模块及其功能。

支持向量机 核函数 特征提取 图像分类

1 引言

人类的活动产生了大量的数字图像。然而，爆炸式增长的数字图像却给人们带来了困扰。大量的图像涵盖了各领域的信息，人们从还量的图像中获得想要的信息的难度增大。因此，人们要求计算机对图像的自动分类检索能力有更大的提升，从而能更快、更有效的获得目标信息。支持向量机有广泛的应用前景，本文主要是通过核函数来对SVM分类器进行研究，然后在VS2010C#平台上实现一个基于支持向量机的图像分类系统。

2 系统结构模块

本文使用C#平台基于支持向量机算法对图像进行分类，包括图像数据库、图像特征提取、分类器三个模块。图像数据库的数据内容是从Web等处下载的若干图像共222张图片作为系统的数据库。对于图像类别的选择主要是特征明显，易于从色彩上区分。图像特征提取部分主要是对输入的文件和数据库的训练集进行图像特征提取，其一，数据库中的训练集进行图像特征的提取，把这些图像特征值进行处理后输入到相应的文件中，然后执行分类器算法，生成分类模型；其二，对测试样本（输入的图像）进行图像特征提取，然后执行分类模型，生成预测结果。SVM的分类模块主要是输入的图像和数据库的图像进行匹配，整个分类器的关键是图像特征提取和分类器算法，分类器的算法包括多项式核函数、高斯核函数、卡方核以及直方图交叉核等。不同的核函数引起原理不一样多分类结果的影响也不一样。

3 支持向量机

统计学习的出现和完善，再到结构风险最小化原理的提出，这些为支持向量机的出现提供了理论基础，支持向量机的主要作用就是利用小样本提供的信息去在模式繁复程度性和学习能力中间找出最优价值的方案，期望得到良好的发展进步和泛化能力。传统的模式识别方法都是建立在经验风险最小化的基础上的，只在样本数量趋近于无于无穷大时才有理论上的性能保障。而支持向量机是基于统计学理论为研究小样本情况下的模糊识别模式。支持向量机是在有限数据及、非线性和维度较高的模式识别问题中展示了其良好的学习能了，在解决过学习和欠学习问题、局部最小值问题等有更佳的发展潜力。

4 核函数

核函数的功能就是将输入空间中的线性不可分问题，通过非线性变化映到某个高维空间中，然后在高维空空间中求出一个最优分类平面，在进行线性分类，以此来提高学习机器的非线性计算能力。高维空间的所有值都是通过的核函数映射而得到的，我们不需要知道映射后的空间向量来进行计算最优平面，甚至不需要知道具体的映射，维数的改变只影响了内积运算，不会影响到算法的复杂度。

5 颜色特征提取

人眼对色彩图像比对黑白图像的有更丰富的主观视觉感受，为了有效的利用科学技术，尤其是利用计算来处理图像的色彩信息，就必须用定量的方法来对图像的色彩信息进行描述，建立彩色模型。人们对图像彩色的描述具有多样性，选择恰当的方法来表是颜色是非常必要的，在图像处理的自动分析中，颜色特征的表达方式不止依靠提前决定的颜色模型，但是颜色空间的数据在计算机是以数字形式储存和显示的，和人对色彩空间的带感情色的感官并不一致。人们对色彩的感觉与许多的所处空间的物理现象、人当时心理状态和生理效果有关，是一种比较复杂的化学反应关系。普通情况下，我们获取的图像都是使用RGB颜色空间描述，但是HSV颜色空间更符合人类视觉感知，因此在进行某些图像处理的时候，可以根据需要将图像从RGB颜色空间模型转化成HSV颜色空间模型。

6 结论

随着网络技术和新兴多媒体技术的迅速发展，人们对于图像数据的搜索和分类要求越来越高。本文对支持向量机在图像分类方面进行了研究，主要有：其一，研究了支持向量机的发展进程；其二，研究了核函数对SVM分类器性能的影响，分析了核函数参数的选择方法；其三，研究了基于图像内容分类的基本原理，并对图像颜色提取技术做了简单的探索。

[1]张文博.多类别智能分类器方法研究[D].西安电子科技大学,2014

[2]高锦.基于SVM的图像分类[D].西北大学,2010

[3]淦艳.多核学习算法及其在人脸检测中的应用[D].重庆师范大学,2015